先行研究において，Webからのドキュメント収集はすでになされている．関根ら [3]はGNU Wgetを利用し，内容の信頼性よりYahoo!Japanでカテゴライ ズされているページ（Yahoo!カテゴリ）を起点として収集を行った．結果，29万 サイトを対象に，2,066万ページ(350GB)のHTMLを得て，KWICシステムに用いてい る．また奥村ら[4]は，Blogを対象とした自動収集システムが作成さ れている．またSekiguchiら[5]は，Webコーパスの作成を目的とし， 質の高いコーパス作成のための手法を提案している．その結果，3,505MBのHTML ファイルから，223MB文のテキストが抽出されている．