HTML(网页结构与 DOM)

HTML是描述网页结构与语义的标记语言;浏览器依照HTML解析规则建立DOM,再结合样式、脚本和其他资源构建页面。DOM可以与原始源码不同,也可能在加载后被JavaScript继续修改。

二稿核验说明(2026-10-15):本文为“河洛序”教程二稿,已按官方规范与文档修订。旧实验日志单独标为“一稿留存输出”,不代表本次在Windows上的复跑;本次环境与结果见本批核验记录。示例中的“星河笔记”、账号、订单、价格与政策均为虚构教学数据。

一句话定义

HTML是描述网页结构与语义的标记语言;浏览器依照HTML解析规则建立DOM,再结合样式、脚本和其他资源构建页面。DOM可以与原始源码不同,也可能在加载后被JavaScript继续修改。

为什么重要

  • 网页是 RAG 最常见的数据来源之一;不懂 HTML 结构,抽取出来的文本就会夹杂导航、广告、脚本,或丢失表格的行列关系(k4.rag.chunking)。
  • 前端框架(React、Vue)最终产出的仍是 DOM;理解 DOM 是理解它们的前提。
  • 把 LLM 输出插入网页是 XSS 的高发点;网页里隐藏的文字也可能成为间接提示注入的载体(k6.sec.prompt-injection)。

原理 / 图解

HTML Living Standard(WHATWG):https://html.spec.whatwg.org/;解析算法(含容错规则):https://html.spec.whatwg.org/multipage/parsing.html;MDN HTML 教程:https://developer.mozilla.org/zh-CN/docs/Learn/HTML

图 1
语义标签 含义 对 RAG/无障碍的意义
<main> 页面主体内容 正文提取的首选范围
<nav>、<footer>、<aside> 导航、页脚、侧栏 通常应剔除
<article>、<section> 独立文章、章节 天然的切块边界
<h1>–<h6> 标题层级 可作为切块元数据
<img alt> 图片替代文本 读屏软件与检索都依赖它

适用边界与核验要点

main/article等标签是正文提取线索,不保证标注准确,更不是可信度或安全边界。textContent包含所选子树的文本,也可能包含script/style和隐藏元素的文字,但不把注释自动当正文;它不保留表格关系或视觉可见性。缺alt是检查线索,装饰性图片通常应用alt="",而非所有图片都要长描述。jsdom不等于浏览器渲染引擎,保留事件属性不能证明脚本在该次试验中实际执行。

本次检索核对的主要依据(2026-10-15):

可运行示例

Node与jsdom解析示例页面并检查DOM结构,不执行真实浏览器布局。示例故意省略部分闭合标签及alt用于观察解析和检查行为。

文件:examples/web/page.html

<!DOCTYPE html>
<html lang="zh-CN">
<head>
  <meta charset="utf-8">
  <title>星河笔记 · 退款政策</title>
  <meta name="description" content="7 天无理由退款说明">
</head>
<body>
  <nav><a href="/">首页</a> | <a href="/help">帮助中心</a></nav>
  <main>
    <article>
      <h1>退款政策</h1>
      <p>购买后 <strong>7 天内</strong>可无理由退款。
      <p>会员费用按剩余天数折算。
      <img src="refund.png">
      <table><tr><th>渠道</th><th>到账时间</th></tr><tr><td>微信</td><td>1–3 天</td></tr></table>
    </article>
  </main>
  <footer>© 2026 星河笔记(虚构)</footer>
  <script>console.log("埋点脚本")</script>
</body>
</html>
// 文件:examples/web/15_html.mjs
// 用 jsdom(按 HTML 标准实现的解析器)解析页面:DOM 树、容错、无障碍检查、为 RAG 提取正文、innerHTML 与 textContent 的区别。
import { JSDOM } from "jsdom";
import fs from "fs";
const html = fs.readFileSync(new URL("./page.html", import.meta.url), "utf8");
const dom = new JSDOM(html); const doc = dom.window.document;

console.log("① DOM 树(只列元素,缩进表示层级):");
(function walk(n, d) { if (d > 4) return; for (const c of n.children) { console.log("  ".repeat(d + 1) + c.tagName.toLowerCase()); walk(c, d + 1); } })(doc.documentElement, 0);

console.log("\n② 容错:源码里两个 <p> 都没写 </p>,解析器自动闭合 → <p> 个数 =", doc.querySelectorAll("p").length);
console.log("   第一个 <p> 的 innerHTML:", doc.querySelector("p").innerHTML.trim());
console.log("   源码 <table> 里没写 <tbody>,解析后:", doc.querySelector("table").firstElementChild.tagName.toLowerCase());

console.log("\n③ 元信息:title =", doc.title, "| lang =", doc.documentElement.lang, "| description =", doc.querySelector('meta[name=description]').content);
const noAlt = [...doc.querySelectorAll("img")].filter(i => !i.hasAttribute("alt")).map(i => i.getAttribute("src"));
console.log("④ 无障碍检查:缺少 alt 的图片 =", noAlt, "| 标题层级 =", [...doc.querySelectorAll("h1,h2,h3")].map(h => h.tagName));

const main = doc.querySelector("main").cloneNode(true);
const text = main.textContent.replace(/\s+/g, " ").trim();
const all = doc.body.textContent.replace(/\s+/g, " ").trim();
console.log("\n⑤ 为 RAG 提取正文:整页文本", all.length, "字,含导航/页脚/脚本;只取 <main>:", text.length, "字");
console.log("   ", text);

const evil = '<img src=x onerror="window.__hacked=1">';
const box1 = doc.createElement("div"); box1.textContent = evil;
console.log("\n⑥ textContent 赋值:", box1.innerHTML, "→ 作为文字显示");
const box2 = doc.createElement("div"); box2.innerHTML = evil;
console.log("   innerHTML 赋值:子元素 =", box2.firstElementChild.tagName, "带 onerror 属性 =", box2.firstElementChild.hasAttribute("onerror"), "→ 在真实浏览器中会执行脚本");

一稿留存输出

以下日志按一稿保留,来自一稿声称的原环境;不是本次复跑结果。二稿代码改动后可产生不同输出,实际复跑状态以本批核验记录为准。

v20.19.2
jsdom 24.1.3
① DOM 树(只列元素,缩进表示层级):
  head
    meta
    title
    meta
  body
    nav
      a
      a
    main
      article
        h1
        p
          strong
        p
          img
        table
          tbody
    footer
    script

② 容错:源码里两个 <p> 都没写 </p>,解析器自动闭合 → <p> 个数 = 2
   第一个 <p> 的 innerHTML: 购买后 <strong>7 天内</strong>可无理由退款。
   源码 <table> 里没写 <tbody>,解析后: tbody

③ 元信息:title = 星河笔记 · 退款政策 | lang = zh-CN | description = 7 天无理由退款说明
④ 无障碍检查:缺少 alt 的图片 = [ 'refund.png' ] | 标题层级 = [ 'H1' ]

⑤ 为 RAG 提取正文:整页文本 93 字,含导航/页脚/脚本;只取 <main>: 47 字
    退款政策 购买后 7 天内可无理由退款。 会员费用按剩余天数折算。 渠道到账时间微信1–3 天

⑥ textContent 赋值: &lt;img src=x onerror="window.__hacked=1"&gt; → 作为文字显示
   innerHTML 赋值:子元素 = IMG 带 onerror 属性 = true → 在真实浏览器中会执行脚本
  • ① ② 解析容错:源码中两个 <p> 都没闭合,解析器按标准自动闭合,得到 2 个 <p>;<img> 被放进了第二个 <p>,而 <table> 的开始标签会自动结束 <p>,所以表格成了 <article> 的直接子元素;<table> 下还自动插入了源码里没有的 <tbody>。你看到的源码 ≠ 浏览器里的 DOM,写选择器时要以 DOM 为准。
  • ④ 简单的无障碍检查发现 refund.png 缺少 alt。
  • ⑤ 整页文本 93 字,只取 <main> 后 47 字,去掉了导航、页脚和脚本内容。但也能看到 textContent 把表格压成了“渠道到账时间微信1–3 天”——表格的行列结构丢了。RAG 预处理中,表格应单独转换成 Markdown 表格或“列名: 值”的形式。
  • ⑥ textContent 赋值时,<img ... onerror> 被转义成文字;innerHTML 赋值则真的创建了带 onerror 属性的元素,在浏览器中会执行脚本(jsdom 默认不执行脚本,所以这里只检查属性)。

自测

问题: 只取main.textContent是否就排除了所有隐藏提示注入与表格结构问题?

参考答案: 没有。main内仍可能含隐藏或恶意文本,表格列关系也会被压平。应按内容结构提取并把外部内容作为不可信数据处理。

常见误区

  • “HTML 写错了浏览器会报错”:浏览器通常按标准规则恢复HTML解析错误,而不是像严格XML解析那样直接停止;验证器仍可报告错误,结果可能与预期不同;用 W3C 验证器检查https://validator.w3.org/。
  • “全用 <div> 也一样”:视觉上一样,但读屏软件、搜索引擎、正文提取工具都依赖语义标签。
  • “正则表达式就能解析 HTML”:嵌套、容错、注释、属性中的 > 都会让正则出错;应使用真正的解析器(BeautifulSoup、lxml、jsdom 等)。
  • “看不见的文字不重要”:display:none、白色文字、HTML注释是否被采集取决于提取方式;可见性、DOM文本和源码内容不是同一层——这是间接提示注入的常见藏身处。

与 AI 开发的关系

  • 网页入库前:选 <main>/<article>、删 <script>/<style>/<nav>、表格单独处理、保留标题作为元数据。常用库:trafilatura、readability、BeautifulSoup。
  • 前端展示 LLM 输出:用 textContent,或 Markdown 渲染后经过 HTML 清洗(DOMPurify)再插入https://github.com/cure53/DOMPurify。
  • 让 Agent 浏览网页时,可以只给它“可见文本 + 可访问性树”,减少隐藏内容带来的注入风险。

延伸阅读

尚未验证的范围

  • 未执行完整无障碍审计、真实浏览器脚本安全测试或提示注入评测;可见性提取不是注入防线。

本次示例运行范围

2026-10-15:通过。本地Node与锁定依赖执行;DOM演示使用jsdom,不包含真实浏览器布局。

查看本次日志。

“一稿留存输出”保留原字,不是二稿代码新生成的结果;其原结论须结合二稿修订与边界阅读。

配套代码与核验资料

继续浏览基础 返回知识 →返回顶部 ↑
本篇目录
教程图解100%
教程图解