HTML语义化标签是清洗流程的最高优先级结构信号：<main>等标签直接触发主内容提取分支，而<div>默认归入冗余层；<main>作为W3C定义的核心容器，提供硬约束锚点，缺失时推理耗时增47%。
HTML语义化标签本身不参与token级清洗，但它是决定“哪段文本该被保留、哪段该被丢弃”的最高优先级结构信号——在MinerU-HTML这类语义感知清洗管道中，<main>、<article>、<section>直接触发主内容提取分支，而一堆嵌套<div>则默认归入“冗余层”被过滤。
为什么<main>比正则匹配更早介入清洗流程
传统清洗工具（如Trafilatura）靠文本密度、DOM深度等启发式规则判断主内容，容易把技术文档里的<pre><code>块误判为广告脚本删掉；而MinerU-HTML第一阶段的序列标注模型，输入前会先做语义块切分——<main>标签包裹的节点自动获得高置信度初始权重，无需等待后续统计计算。
-
<main>是唯一被W3C明确定义为“页面核心内容容器”的标签，清洗模型将其作为硬约束锚点 - 没用
<main>的页面，模型必须退回到轻量Qwen3-0.6B的全DOM遍历，推理耗时增加47%（实测50万样本均值） - SPA应用若仅靠JS动态插入
<main>，服务端返回的HTML里缺失该标签，清洗器直接跳过主内容识别，整页降级为“低信噪比片段”
<h1>到<h6>层级错位如何导致训练数据实体混淆
LLM预训练时，标题层级被用作隐式段落关系建模信号。当<h1>后直接出现<h3>（跳过<h2>），BERT第11层注意力机制会将该<h3>与上一<h1>强行建立长距离依赖，导致“章节归属错误”——比如把“API错误码列表”误认为是“认证流程”的子节。
使用 PptxGenJS 和 Python 解析，将结构化的 HTML/CSS 幻灯片内容转换为原生、可编辑的 PowerPoint（.pptx）演示文稿。
- Google SGE架构实测显示：
<h1>~<h6>层级错位使技术文档的实体识别F1值下降43% - 清洗阶段无法修复已错位的标题树，只能打低分标记，最终被过滤模块剔除
- CMS模板中常见的“
<h2>用于侧边栏标题”写法，会让清洗器误判侧边栏为正文一级模块
<figure>和<figcaption>为何影响公式/代码块的保留率
纯文本清洗会把<pre><code>里的缩进、换行、特殊字符全部抹平，但MinerU-HTML第二阶段的格式化模块，会将<figure>内嵌的<pre>识别为“结构化原子块”，原样保留其内部token序列——这对数学公式、SQL语句、JSON Schema等高度结构化内容至关重要。
立即学习“前端免费学习笔记（深入）”；
-
<figure>必须是<pre>或<img>的直接父容器，否则清洗器视其为普通<div> -
<figcaption>文本会被单独提取为“上下文锚点”，与对应代码块联合embedding，提升RAG检索准确率 - 装饰性图片若未设
alt=""，清洗器会将其<figcaption>误判为有效说明文本，污染训练数据
真正难的不是写对标签，而是让<main>包裹的内容在服务端就真实存在、让<h2>只出现在逻辑模块边界、让<figure>不被CSS伪元素撑开——这些细节在渲染完成前就决定了你的网页能不能被AI当作“可信知识源”读进去。
