多数のサンプルドキュメント

Question

サンプルドキュメントの巨大なリポジトリがさまざまなテーマでどこにあるのでしょうか？ いくつかのアルゴリズムをテストするためには、少なくとも数千ものドキュメント（OfficeまたはPDFがうまくいくはずです）を探しています...ドキュメントにはいくつかの共通の基礎があるべきです - 例えば、プログラミングに関する1000のドキュメント、エコロジーなどへ...

どこから入手できますか？

Answer 1

Ontheinternetzzz?

編集：ミー？役に立たない？ :)

import mechanize, urllib, os 

template = r"http://www.google.com/search?q=filetype:pdf&hl=en&start=%s&sa=N" 
links = [] 

br = mechanize.Browser() 
br.set_handle_robots(False) 
br.addheaders = [('User-agent', 'Firefox')] 
for i in xrange(0, 30, 10): 
    br.open(template % i) 
    links.extend((link.url for link in br.links(url_regex="^http.+pdf$")) 
for url in links: 
    urllib.urlretrieve(url, os.path.basename(url)) 

Answer 2

あなたはウィキペディアを試しましたか？ ？スクリプトの作成：印刷可能= yesのURLの最後に（レイアウトCRUDを削除するように）追加し、リダイレクト結果に従う

1. コールhttp://en.wikipedia.org/wiki/Special:Randomランダムページに

2. を取得することを - これらの2つのステップまたは同等のものに対してwgetを使用すると、リダイレクトが行われます。

3. 結果のhtmlコンテンツをhtml-> pdfコンバータでパイプします。

4. 1000回繰り返す。

これは、さまざまなコンテンツを取得する必要があります。

Answer 3

ヤフー検索APIの詳細検索を使用して、探しているドキュメントタイプを指定することができます。

http://developer.yahoo.com/search/boss/boss_guide/Web_Search.html#optional_args_web

あなたがWord文書を大量にしたい場合は、いくつかの事前に選択したキーワードに基づいて検索を行って、あなたがしたい文書の種類を指定します。それはあなたに文書の束を戻すはずです。

ます。また、高度なGoogle検索をこすりと（ランダムリストから）のfileTypeを指定することにより、方法の文書へのリンクをつかむことができ、例えば：あなたは最後の7日間試してみましたが何

http://www.google.co.in/search?q=monkey+badger+filetype%3Apdf