重复属性（如class、style、id）会显著拖慢html2text解析：重复class导致文本膨胀，重复style引发高频css重解析，重复id造成dom查询失效与缓存覆盖；建议预处理去重、启用缓存、白名单控制或唯一化id。
重复属性解析会显著拖慢html2text的handle_starttag
html2text在遇到重复属性（如class="a" class="b"）时，默认不校验、不合并，而是原样存入attrs列表。这导致后续逻辑（比如CSS类名提取、语义判断）反复遍历冗余项，尤其在含数百个<div class="item">的模板中，<code>handle_starttag耗时可翻倍。
实操建议：
- 在调用
html2text前，用正则或DOMParser预处理HTML：移除重复属性，只保留最后一个（浏览器实际也这么渲染） - 若必须保留原始结构，可 monkey patch
handle_starttag，对attrs做去重：attrs = list(dict(attrs).items()) - 避免在循环中反复构造含重复属性的字符串再喂给
html2text——这种“假批量”反而放大开销
内联style重复声明引发dumb_css_parser高频重解析
dumb_css_parser对每个style属性值单独解析，而style="color:red; color:blue;"这类冲突声明虽最终生效后者，但解析器仍会逐条 tokenize + 构建字典。当一页含 50 个重复style的<span></span>时，CSS解析时间占比可达总耗时 40% 以上。
实操建议：
- 启用
css_cache机制（如知识库所示），但注意缓存 key 必须 normalize：先移除重复声明、合并空格、小写化 - 禁用内联
style，改用class引用外部样式表——既提升缓存命中率，也利于浏览器复用渲染路径 - 若无法避免内联样式，用工具（如
cssnanoCLI）在构建阶段压缩清理，而非运行时硬扛
重复id属性导致DOM查询失效与内存泄漏风险
HTML规范要求id全局唯一，但现实数据常含重复id（如模板循环未重命名）。document.getElementById只返回第一个匹配项；而html2text若依赖id做锚点跳转或节选，则结果不可靠。更隐蔽的是，某些解析器内部用id作哈希键缓存节点，重复id会导致覆盖、丢失引用。
实操建议：
- 用
document.querySelectorAll('[id]')配合Array.from(...).map(el => el.id)快速扫描重复id，日志告警而非静默容忍 - 服务端生成HTML时，在循环中动态生成
id：如id="item-{{index}}"，而非固定id="item" - 若需兼容旧数据，解析前用正则替换重复
id为唯一值：html.replace(/id="([^"]+)"/g, (m, id) => `id="${id}-${Math.random().toString(36).substr(2, 5)}"`)
重复class名在语义提取阶段造成文本膨胀
html2text默认将所有class值拼接进输出文本（如class="btn btn-primary btn-lg" → “btn btn-primary btn-lg”），当模板滥用BEM或组件库重复添加相同class（如class="card card--shadow card--rounded"），输出文本体积无意义增长，影响下游NLP处理效率。
实操建议：
- 配置
ignore_classes=True（若版本支持），或子类化HTML2Text重写handle_starttag中class处理逻辑 - 用
set(attrs_dict.get('class', '').split())去重后再 join，比原生字符串拼接节省 30%+ 内存 - 真正需要保留的class应白名单控制（如仅保留
["highlight", "warning", "note"]），其余一律丢弃
