h1到h6是语义层级标签，非视觉样式工具；每页仅一个h1作唯一主标题，h2–h6须严格逐级嵌套，跳级、乱序或滥用会损害可访问性与SEO。

提取

到

标题时，别依赖字体大小判断层级

很多人看到渲染后

比

小，就改用

当二级标题——这是语义错误。搜索引擎和屏幕阅读器只认标签名，不看 CSS 渲染结果。提取标题结构时，必须严格按文档中实际使用的

–

标签层级来建树，而不是根据视觉大小反推。

常见错误现象：
用正则直接匹配 但没处理闭合标签或自闭合变体（如

）；忽略嵌套在

或

内的标题，导致层级错乱。

实操建议：
• 优先用 DOM 解析器（如 Python 的 BeautifulSoup 或 JS 的 document.querySelectorAll('h1,h2,h3,h4,h5,h6')）而非正则提取标题
• 遍历时记录每个节点的 nodeName（如 'H2'），再转为数字层级（parseInt(nodeName.slice(1))）
• 若需保留文档顺序与嵌套关系，应同时提取父容器的 section、article 或 nav 等语义块

用

财经HTML高端海报生成

复杂得财经如何变成清晰，适合手机看的海报？如何加上你的IP

下载

提取段落时，
不算新段落

是块级元素，浏览器会自动在前后加空行；而
只是换行符，不构成新段落。很多文本提取工具把每行
后的内容都当新段落切分，结果把一个自然段切成十几小段。

使用场景：
从 CMS 导出内容、爬取新闻页、解析用户提交的富文本（含手动换行）

实操建议：
• 提取前先 normalize：把连续多个
替换为单个

分隔符，再统一用

切分
• 对不含

但含大量
的旧网页，可结合 CSS display: block 判定是否应视为段落容器
• 注意

缺失闭合标签的情况（如

第一段

第二段

），现代解析器通常能自动补全，但需确认解析模式（如 BeautifulSoup 的 'html.parser' vs 'lxml'）

标题与段落混合提取时，

必须唯一且不可跳级

HTML 规范要求一个页面有且仅有一个

（主标题），且标题层级不能跳跃（如

后直接出现

）。但现实中大量网页违反该规范，导致提取后结构断裂或大纲错位。

性能影响：
跳级标题会让基于层级的 TOC 生成器（如 markdown-it-toc-done-right）漏掉中间层级，或强行插占位符破坏可读性

实操建议：
• 预处理阶段检测并修复跳级：遇到

但上一个标题是

时，插入虚拟

节点（仅内存中，不写回 HTML）
• 对无

的页面，提取第一个

并降级为

（需标记为“推断主标题”）
• 使用 getElementsByTagName 或 CSS selector 时，避免用 'h1, h2, h3, h4, h5, h6' 简单拼接，应分别获取再 merge 排序，确保 DOM 顺序不被选择器引擎打乱

中文网页提取常忽略的编码与空格问题

很多中文 HTML 页面用 GBK 编码但未声明，或在

内混用全角空格、不间断空格（ ）、零宽空格（​），导致提取后文本粘连或断句异常。

容易踩的坑：
• 用 requests.get(url).text 直接解析，未显式指定 encoding='gbk'，中文变乱码
• 把   当普通空格处理，导致“标题 副标题”被切为两个词
• 忽略 在 中的位置，误读成页面末尾的注释

实操建议：
• 先读取原始响应 bytes，用 chardet.detect() 判定编码，再 decode；或强制用 response.content.decode('gbk', errors='ignore')
• 提取文本后，统一 normalize 空格：re.sub(r'[\u00A0\u2000-\u200F\u2028\u2029\u202F\u2060\u3000]+', ' ', text)
• 对含大量内联样式（如 style="font-size:12px;"）的标题，提取时剥离 style 属性，避免干扰语义判断

提取标题与段落不是字符串切分，而是重建文档语义骨架。最常被忽略的，是那些没有显式标签却承载结构信息的部分：比如用

冒充

的 CMS 输出，或者用 + CSS 实现的“伪段落”。这类情况必须结合 class 名、上下文位置、兄弟节点特征做二次判定，无法靠单一规则覆盖。

前端入门到VUE实战笔记：立即使用
在学习笔记中，你将探索 前端 的入门与实战技巧！