【发布时间】：2012-04-17 04:50:46
【问题描述】：
我正在尝试为网页构建 Near Duplicate Analyzer。从那里我可以获得类似的网页来输入以执行此实验。 （针对特定查询的爬网搜索引擎似乎不是一个好的选择）
【问题讨论】：
标签： information-retrieval duplicate-removal
【发布时间】：2012-04-17 04:50:46
【问题描述】：
这里有一些想法：
- 来自不同网站的新闻稿
- 不同网站上的新闻文章
- 当前和旧版本中的维基百科（编辑即更改）
- 不同服务器上的 Unix 手册页
- 不同格式的 Internet RFC：文本、XML 或 HTML
以下是 RFC 的一些示例 URL：
【讨论】：
-
谢谢。这些似乎很有用，我将为我的应用程序尝试这些链接。