Keyword-Extraktor

Stopwörter sind die gebräuchlichsten grammatischen Wörter einer Sprache: Artikel (the, a, an), Präpositionen (in, on, at, by), Konjunktionen (and, or, but), gängige Verben (is, are, was, has) und Pronomen (I, you, he, she). Sie enthalten keinen bedeutsamen Inhalt für die Keyword-Analyse. Das Filtern von Stopwörtern ist fast immer die richtige Wahl — ohne dies wäre Ihre Keyword-Liste von „the“ und „is“ dominiert. Deaktivieren Sie die Stopwort-Filterung nur dann, wenn Sie eine linguistische Analyse durchführen, bei der grammatikalische Wörter wichtig sind, wie etwa bei der Autorenschaftszuordnung oder Stilanalysen.

Bigrams sind zwei aufeinanderfolgende Wörter, die als eine Einheit analysiert werden. Aktivieren Sie Bigrams, wenn Ihr Text wichtige zusammengesetzte Konzepte enthält, die ihre Bedeutung verlieren, wenn sie in einzelne Wörter aufgeteilt werden. Beispiele: „machine learning“ (nicht nur „machine“ + „learning“), „open source“, „neural network“, „user experience“, „climate change“. Bigrams sind besonders nützlich für die SEO-Keyword-Analyse — Suchanfragen enthalten oft Zwei-Wort-Phrasen, und zu wissen, dass Ihr Inhalt „machine learning“ enthält, ist praktischer als zu wissen, dass er „machine“ und „learning“ separat enthält. Bei kurzen Texten können Bigrams Rauschen erzeugen; sie funktionieren am besten bei Texten mit mehr als 300 Wörtern.

Fügen Sie Ihren bestehenden Artikel, Produktbeschreibungen oder Seiteninhalte ein und extrahieren Sie die wichtigsten Keywords. Vergleichen Sie die Ergebnisse mit den Keywords, die Sie anvisieren wollten — wenn Ihr Ziel-Keyword nicht in den Top 10 erscheint, benötigt Ihr Inhalt wahrscheinlich mehr natürliche Erwähnungen davon. Sie können auch Wettbewerber-Inhalte analysieren: Fügen Sie einen Artikel eines Konkurrenten ein und sehen Sie, welche Keywords deren Texte betonen. Die Bigrams-Funktion ist hier besonders nützlich, da sie die exakten Multi-Wort-Phrasen aufzeigt, um die herum der Text optimiert wurde. Exportieren Sie die Ergebnisse als CSV, um sie in eine Tabelle für weitere Analysen zu übertragen.

Keine feste Grenze — das Tool verarbeitet Artikel, Essays und lange Inhalte. Sehr kurze Texte (weniger als 50 Wörter) liefern unzuverlässige Ergebnisse, da das TF-IDF-Scoring eine ausreichende Wortvielfalt benötigt, um wichtige Begriffe von zufälligen Wiederholungen zu unterscheiden. Für beste Ergebnisse verwenden Sie Texte mit 200 Wörtern oder mehr. Am anderen Ende können sehr lange Texte (über 100.000 Wörter) eine Sekunde oder zwei zum Verarbeiten benötigen, werden aber korrekt abgeschlossen, da die gesamte Verarbeitung in Ihrem Browser läuft.

Sie filtert alle Keywords heraus, die kürzer als die angegebene Zeichenanzahl sind. Der Standardwert (typischerweise 3-4 Zeichen) verhindert, dass sehr kurze Wörter, die durch die Stopwort-Filterung durchrutschen, in den Ergebnissen erscheinen. Für technische Inhalte können Sie das Minimum auf 2 senken, um Abkürzungen einzuschließen. Zur Themenfindung stellt ein Wert von 5-6 sicher, dass Sie nur inhaltliche Wörter sehen. Experimentieren Sie: Wenn Ihre Ergebnisse Zwei-Buchstaben-Wörter enthalten, die nicht bedeutsam sind, erhöhen Sie das Minimum. Wenn Ihnen wichtige kurze technische Begriffe fehlen, verringern Sie es.

Ja. Verwenden Sie die Schaltfläche „Export CSV“, um eine Datei mit drei Spalten herunterzuladen: Keyword, Häufigkeit (Rohzahl) und TF-IDF-Score. Diese CSV kann in Excel, Google Sheets oder jedem Datenwerkzeug für weitere Analysen geöffnet werden. Die Schaltfläche „Copy Keywords“ kopiert nur die Keyword-Liste (ohne Scores) in Ihre Zwischenablage, was sich für das Einfügen in Meta-Keyword-Felder, Content-Briefings oder Tag-Eingaben eignet.

Nein. Der gesamte TF-IDF-Extraktionsalgorithmus läuft in Ihrem Browser mittels JavaScript. Ihr Text — egal ob er geschützte Geschäftsgeheimnisse, unveröffentlichte Artikel oder Kundendokumente enthält — verlässt niemals Ihr Gerät. Nichts wird hochgeladen, protokolliert oder gespeichert.