Keywordliste mit 6 Mio. Keywords

[Arithmos]

Ich habe aus ca. 2,5 Mio. de.wikipedia.org-Seiten (ca. 40 GB Daten) eine Liste mit ca. 6,5 Mio. verschiedenen Keywords erstellt.

Die Liste ist utf-8 codiert und enthält auch Wörter mit deutschen Umlauten und ß.

Wörter mit mehr als 2 gleichen Vokalen oder mehr als 3 gleichen Konsonanten in Folge sind schon entfernt, ebenso Wörter mit mehr als 64 Zeichen.

Ansonsten enthält die Liste eben jedes unterschiedliche Wort, das auf diesen 2,5 Mio de.wikipedia.org-Seiten vorkommt. Also auch jede Menge Merkwürdigkeiten, Typos, Markennamen, Fremdwörter, Wortfragmente usw.

Dennoch sicherlich hilfreich für jeden, der eine umfangreiche Keyword-Datenbank aufbauen will.

Die Liste ist ungezippt ca. 80 MB groß.

Besteht Interesse und zu welchem Preis?

Anfragen gerne auch per PM.

Gruß
Arithmos

 

[Quaderno]

Die Idee finde ich nicht schlecht und die Liste hat sicher eine Menge Arbeit gemacht. Ich staune aber vor allem dass es überhaupt soviele verschiedene Begriffe geben soll. Selbst ein sehr gutes Wörterbuch enthält nur einen winzigen Bruchteil davon, gerade wenn das nur von den deutschen Seiten kommt. Da sind sicher ein paar Perlen drunter versteckt an die noch keiner bei Domains gedacht hat, viel Erfolg damit!

 

[Custer]

A propos Keywords, da ich sie selbst gerade brauchte, habe ich sie mal als Anhang beigefügt: Alle LLL-Möglichkeiten ohne Umlaute. Falls jemand sie zufällig noch benötigt, wollte dafür nicht noch einen eigenen Thread eröffnen.

Gruß,
Custer :bandit:

 

[pyro]

Wörter mit mehr als 2 gleichen Vokalen oder mehr als 3 gleichen Konsonanten in Folge sind schon entfernt, ebenso Wörter mit mehr als 64 Zeichen.

hatte das auch mal vor Jahren gemacht... gibt noch ein wenig mehr mechanismen, wie du unnötige "wörter" oder solche die keine sind aussieben kannst...

mfg, albert