Information retrieval 用于几乎重复页面分析的网页

我正在尝试为网页构建接近重复的分析器。从那里我可以得到类似的网页作为执行此实验的输入。（对特定查询的搜索引擎进行爬网似乎不是一个好的选择）

以下是一些想法：

• 不同网站的新闻稿
• 不同网站上的新闻文章
• 当前版本和旧版本中的Wikipedia（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：

• （HTML）

---

谢谢。这些似乎很有用，我将尝试我的应用程序的这些链接。