爬虫依赖html语义标签而非css类名定位核心内容，如、等标签明确标识主体，提升文本权重与解析深度，而无语义，无法替代。
爬虫不是靠“猜”结构，而是依赖标签的语义角色做内容优先级判断——<main></main> 里的文字比 <footer></footer> 里的更可能被当作正文索引。
爬虫如何用语义标签定位核心内容
百度、Google 等主流爬虫在解析 HTML 时，会构建 DOM 树并标注每个节点的“语义角色”。当遇到 <article></article> 或 <main></main> 这类明确标识主体内容的标签，爬虫会自动提升其子节点的文本权重，并延长对该区域的解析深度（比如更仔细提取 <h2></h2>、<p></p><div class="aritcle_card flexRow artxards">
<div class="artcardd flexRow">
<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill6712" title="Wechat HTML Publisher"><img
src="https://img.php.cn/upload/skill/000/000/081/179109368394970.jpg" alt="Wechat HTML Publisher" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a rel="nofollow" href="/xiazai/skill6712" title="Wechat HTML Publisher" class="overflowclass">Wechat HTML Publisher</a>
<p class="overflowclass">直接上传HTML富文本到微信公众号草稿箱。支持完整的HTML格式,无需Markdown转换。</p>
</div>
<a rel="nofollow" href="/xiazai/skill6712" title="Wechat HTML Publisher" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
</a>
</div>
</div> 内容）；而 <aside></aside> 或 <nav></nav> 区域则常被降权或跳过内链提取。
- 不写
<main></main>不报错，但爬虫可能把<div class="content"> 和页脚广告一起当普通块处理 <li> <code><header></header>中的<h1></h1>比散落在<div> 里的 <code><h1></h1>更易被识别为页面主标题 - 多个
<section></section>嵌套时，爬虫会尝试建立层级关系（如用父<section></section>的<h2></h2>关联子<section></section>的<h3></h3>） -
<nav></nav>明确告诉爬虫：“这里全是导航链接”，便于提取站内路径、发现未被外链指向的页面 - 用
<section></section>替代<div> 并不能“自动提升 SEO”，但能避免爬虫把章节标题和广告文案平权对待 <h3>容易被忽略的兼容性与误用点</h3> <p>语义标签本身不改变渲染，但错误嵌套或滥用会干扰爬虫对结构的理解。例如把 <code><footer></footer>放在<article></article>外部却包含文章作者信息，爬虫可能误判作者归属；又或者在<main></main>里塞了两个<header></header>，导致主标题识别混乱。-
<main></main>应该每页只出现一次，且不能是<article></article>、<aside></aside>、<footer></footer>、<header></header>、<nav></nav>的子元素 -
<article></article>可以嵌套，但嵌套层级过深（>3 层）会让爬虫放弃推断主题关联性 - 部分旧版浏览器（如 IE9 以下）不识别语义标签，但不影响爬虫——它们只关心标准 HTML5 解析规则
真正起作用的不是“用了多少语义标签”，而是关键内容是否落在正确语义容器中。一个没用
<nav></nav>但导航链接都放在<header></header>里的页面，可能比乱用十个<section></section>却把正文塞进<aside></aside>的页面更容易被正确索引。 -
