html语义化结构虽不直接生成知识图谱，但通过提供上下文约束、划分语义边界、降低噪声歧义，成为高质量三元组抽取的前提；如比更利于实体识别，可直接映射为三元组，语义路径也更稳定鲁棒。
HTML语义化结构本身不直接生成知识图谱，但它显著降低后续提取的噪声和歧义，是高质量三元组生成的前提条件。
为什么 <article></article> 比 <div class="content"> 更利于实体识别
<p>语义标签自带上下文约束，能减少 NER 模型的误判。比如 <code><article></article> 内的 <h1></h1> 大概率是标题实体，<time datetime="2025-03-12"></time> 明确提供时间属性值，而 <div> 里混着广告、评论、侧栏的文本，需额外规则过滤。
<ul>
<li>
<code><article></article>、<section></section> 等标签天然划分语义边界，避免跨区域错误关联（如把页脚的“© 2026 公司名”误判为主实体）
<aside></aside> 下的内容通常与主内容弱相关，可直接降权或跳过，节省 NLP 处理开销<figure><figcaption></figcaption></figure> 包裹的图片说明，比散落在 <p></p> 里的描述更容易被映射为 “图像-描述” 三元组
<dl></dl> 和 <table> 是最易转化为三元组的 HTML 结构
<p>定义列表（<code><dl></dl>）和表格（<table>）本质就是键值对或关系矩阵，无需复杂 NLP 即可抽取结构化三元组。
<ul>
<li>
<code><dl></dl> 中每组 <dt></dt>+<dd></dd> 可直接转为 (主体, 属性, 值)，例如 <dt>出生地</dt>
<dd>杭州</dd> → (鲁迅, 出生地, 杭州)
<table> 的 <code><th> 列头 + <code><td> 行数据，配合 <code>scope 属性或表头合并逻辑，能稳定产出多对多关系，如“人物-任职机构-职务”
<thead>/<code><tbody> 或 <code>role="grid"）容易被解析错行，建议优先用 <dl></dl> 表达简单属性集
语义缺失时，XPath/CSS 选择器会失效或泛化
当页面大量使用 <div> + class 布局，XPath 路径极易因前端重构断裂；而基于语义标签的路径（如 <code>//article/h1）稳定性高得多。
- 一个典型失败案例：
//div[@class="main-content"]/div[3]/p[1]在改版后可能指向广告文案，但//article/h1始终锚定主标题 - 某些 CMS 输出的 HTML 会保留语义标签但清空 class，此时靠 class 定位的爬虫完全失效，而语义路径仍可用
- 工具链如 Scrapy + BeautifulSoup 若配合
select("article > h1")，比正则匹配<h1.>(.*?)</h1.>更鲁棒，且天然规避 script 标签内伪 HTML
真正难的不是识别 <header></header>，而是判断它是否承载组织实体（比如企业官网首页的 <header></header> 含 Logo 和 slogan，但新闻页的 <header></header> 只含发布时间）。语义结构提供线索，但最终仍需结合领域规则做消歧——这点常被忽略。
