SEO 百科

HTML 解析

本页目录

HTML 解析把 HTML 源码转成文档对象模型，浏览器和搜索引擎都要先走这一步，才能读到页面上的文字与链接^[1]。它决定了后面所有环节的输入，解析出什么，渲染和收录就只能用什么。看这一篇要抓住两件事，解析器对错误标签有容错，以及流式解析遇到阻塞脚本会停下。

从字节到文档树

解析分两个阶段。WHATWG 的规范写明，输入是一串码点，先经过标记化，再进行树的构建，输出是一个 Document 对象^[1]。

标记化把字符切成标记。开始标签、结束标签、属性名和属性值各自成为标记^[2]。

树构建把标记连成节点。节点按标签的嵌套关系连接，形成文档树^[3]。

流式解析是它的重要特征。浏览器不必等整份文件下载完，收到第一个数据分块就开始解析^[3]。

HTML 解析器对错误标签有容错。规范为语法不完全正确的文档也定义了处理规则，错误点会被标为解析错误，但解析继续^[1]。

补出来的结构可能和源码不同。规范专门列了一组常见情形，例如首尾标签错位的 <b><i></b></i>，解析器会按自己的规则重排^[1]。

表格是另一个高发区。表格里出现不该有的标记时，解析器按表格规则处理，位置可能被移到表格外面^[1]。

容错不等于无损。页面上看着正常，文档树却可能少了层级，或者多了源码里没有的节点。

解析遇到脚本会停。<script> 不带 async 或 defer 时，它会阻塞渲染，并暂停 HTML 解析^[3]。

暂停期间，后面的标记还没被读入。脚本如果在这时读取页面结构，只能读到它之前的部分。

脚本还能改写正在解析的文档。规范举了 document.write 这个例子，它插入的标记会被并入同一轮解析^[1]。

预加载扫描器能减轻等待。它在主解析器之外提前发现并请求脚本、样式和图片^[3]。

爬虫先解析再发现链接。Google 说明，Googlebot 会解析 HTML，从 <a> 的 href 属性里读出网址并加入抓取队列^[4]。

链接必须写成可解析的形式。用脚本跳转代替 href，解析阶段就找不到目标网址^[4]。

内容要出现在源码里。标题做成图片、正文由脚本事后插入，解析阶段都读不到。

百度把收录的前半段概括为抓取网页、建立索引数据库，再把库里的数据展现给用户^[5]。解析是抓取之后、建库之前的那一步。

无。