Hi,
ich habe eben ein wenig mit dem letzten artikeldump von download.wikimedia.org gespielt und angefangen, hyperlinks aus den Artikeln zu extrahieren. URLs, die als Templates entstehen (wikinews, imdb und so) werden so erstmal nicht erkannt. Einige URLs sehen von der Struktur eher unmöglich aus.
328212 erkannte URLs
154746 erkannte urls aus .de 64532 erkannte eindeutige domain-namen aus .de
2189 Links nach juris.de 1163 Links nach heise.de 1149 Links nach spiegel.de 1128 Links nach google.de 826 Links nach zeit.de 379 Links nach bund.de 372 Links nach taz.de 120 Links nach jungewelt.de 30 Links nach wikiweise.de 26 Links nach wissen.de 10 Links nach brockhaus.de