DOM树构建依赖栈结构，非线性遍历：遇开始标签压栈、结束标签弹栈、文本挂栈顶节点；错误嵌套如<div><p>hello</div></p>会导致<p>被挂到<body>下，自闭合标签不触发栈操作，不同解析器因规范差异生成DOM可能不一致。
DOM树构建依赖栈结构，不是线性遍历
浏览器不会逐行扫描HTML然后“画”出一棵树，而是用一个运行时栈来管理嵌套关系。遇到 <div> 就压入新节点，遇到 </div> 就弹出；文本内容直接挂到当前栈顶节点下。这意味着：
• 如果写 <div><p>hello</div></p>，解析器会在 </div> 时提前弹出，导致 <p> 被错误地挂到 <body> 下
• 自闭合标签如 <img> 不触发压栈/弹栈，但某些解析器（如 BeautifulSoup）可能按 XML 规则处理，导致 DOM 结构不一致
• 脚本阻塞时，栈停留在某个中间状态，后续标签会等脚本执行完再继续入栈
不同工具对同一HTML生成的DOM树可能不同
浏览器原生解析严格遵循 HTML5 规范，但服务端工具各有取舍：
• cheerio 默认不补全隐式标签（比如 <tr> 不自动包裹进 <tbody>），需启用 xmlMode: false 并设置 useHtmlParser: true
• BeautifulSoup 的 html.parser 后端会模拟浏览器补全逻辑，但 lxml 更倾向 XML 语义，遇到缺失闭合标签容易报错或截断
• 所有工具对连续空白的处理策略不同：浏览器压缩换行和空格为单个空格，lxml 可能保留原始缩进，cheerio 默认丢弃开头结尾空白
• 实际抓取时，建议先用 response.text 看原始字节流，再决定是否预处理（如补 <html> 外层、转义非法字符）
meta charset 必须在 head 前半部分，否则解析会乱码
<meta charset="UTF-8"> 不是“声明编码”，而是**即时切换解析器的字节解码方式**。它必须出现在前1024字节内，且不能被注释或脚本阻塞：
• 如果放在 <script> 后面，前面的标签名、属性值可能已被按默认编码（ISO-8859-1）解析，导致 <div class="你好"> 中的中文变成乱码节点名
• Node.js 侧的 jsdom 默认不模拟该行为，需手动设置 contentType: "text/html;charset=UTF-8"
• curl 或 requests 抓取时，HTTP Header 中的 Content-Type: text/html; charset=utf-8 优先级高于 HTML 内的 <meta>，但两者不一致时以 Header 为准
DOM树里没有“你写的HTML”的忠实副本
DOM 是规范驱动的运行时表示，不是源码快照：
• 连续文本节点必然合并，"a"<br>"b" 解析后只有一个 Text 节点，中间换行被丢弃
• <table> 类标签强制插入隐式父节点，哪怕源码里没写 <tbody>，DOM 中也一定存在
• 属性顺序在 DOM 中无意义，<div id="x" class="y"> 和 <div class="y" id="x"> 构建出的 attributes 集合完全相同
• 所以用 innerHTML 回写时，格式、空格、属性顺序都会变——这不是 bug，是规范要求
立即学习“前端免费学习笔记（深入）”；
