HTML Extract

使用 MinerU 从 HTML 页面和文件中提取内容，将 HTML 转换为保持标题、列表、表格及文本层次结构的干净、结构化 Markdown。F...

下载

必须将严格置于文件第一行最开头，前面不能有任何字符（包括空格、bom、注释、xml声明或空行）；同时需修正内嵌等块级元素的结构错误，改用包裹。

W3C校验器报“missing DOCTYPE”怎么修

第一行必须是 ，前面不能有任何字符——包括空格、BOM头、XML声明、注释或空行。浏览器能容错，但校验器直接失败。

• 用 VS Code 打开文件，右下角检查编码是否为 UTF-8 without BOM；Windows 记事本默认加 BOM，会生成不可见的 
• 构建工具（如 Vite）可能在 index.html 开头注入模板注释，比如 <!-- built at ... -->，必须删掉
• 确认没有 <?xml version="1.0" encoding="UTF-8"?> 这类 XML 声明混在最前

为什么 <p></p> <div>xxx</div> 校验不过

这不是浏览器兼容问题，而是违反 HTML5 内容模型：<p></p> 只允许短语级内容（phrasing content），<div>、<code><section></section>、<h2></h2> 等块级元素禁止嵌套其中。

• Chrome 会自动修正为 <p></p> <div>xxx</div> 渲染，但 W3C 校验器按规范严格判定
• 正确写法是改结构：用 <div> 包裹 <code><p></p>，而不是反过来
• 类似陷阱还有：<li> 里写 <div>、<code> 里漏 <title></title>、<meta charset="utf-8"> 拼错成 utf8

  HTMLHint 怎么只校验静态模块不校验模板文件

  用 files 和 excludeFiles 精确控制范围，避免 Vue/React 的 .vue 或 SSR 输出的临时 HTML 被误检。

  • 在 .htmlhintrc 中配置："files": ["src/modules/**/*.html", "src/pages/*.html"]
  • 排除模板："excludeFiles": ["**/*.vue", "**/dist/**", "**/build/**"]
  • 关键规则建议启用：doctype-first、tag-pair、id-unique、attr-lowercase
  • CI 脚本中运行：npx htmlhint src/modules/ --config .htmlhintrc，别用全局 htmlhint，版本易冲突

  内嵌 <script></script> 的 JS 代码怎么一起校验

  ESLint 默认跳过 HTML 文件里的脚本，必须靠 eslint-plugin-html 提取并转发给 ESLint 引擎。

  • 装对版本：eslint@8.57+ 对应 eslint-plugin-html@7.x；运行 npm list eslint eslint-plugin-html 确认无 peer 报错
  • VS Code 需显式启用："eslint.options": { "extensions": [".js", ".html"] }（v8.40+ 废弃了 eslint.validate）
  • .eslintrc.js 里必须写：processor: "html/html"，仅 plugins: ["html"] 不生效
  • 若项目同时用 eslint-plugin-vue，它会接管 <script></script> 块，此时需在 overrides 中调高 eslint-plugin-html 优先级

  真正麻烦的不是语法错误，而是校验器沉默——比如 <img src="x.jpg"> 缺 alt 属性，W3C 只报 warning，HTMLHint 默认也不拦；这种可访问性缺陷得靠规则显式打开，否则上线后才被审计发现。