Titels van webpagina's variëren van H1 tot H6, wat niet betekent dat de hiërarchie redelijk is.

Dit artikel is geschikt voor mensen die verantwoordelijk zijn voor webinhoud, technische documentatie of vertaalprocessen. Het feit dat er tags <h1> tot <h6> op een webpagina staan, betekent niet dat het titelniveau redelijk is. De tag vermeldt alleen "er is hier een titel" en garandeert niet dat de geneste relatie tussen titels tot stand komt. Het overslaan van niveaus, meerdere H1's en het gebruik van <div> om titels te verhullen, hebben invloed op het genereren van de inhoudsopgave, het matchen van vertaalgeheugens en toegankelijk lezen.

Het volgende gebruikt een synthetisch voorbeeld om te illustreren hoe u Beautiful Soup kunt gebruiken om problemen op titelniveau op te sporen, en legt uit welke oordelen aan mensen moeten worden overgelaten. Na het lezen kunt u deze reeks controlemethoden integreren in uw eigen documentverificatieproces.

Conclusie in één zin: Hoe controleer ik het HTML-titelniveau?

Gebruik eerst een script om mechanische problemen te vinden (niveau overslaan, meerdere H1's, valse titels) en bepaal vervolgens handmatig of deze problemen administratieve fouten of opzettelijk ontwerp zijn.

Waarom betekent het bestaan van tags niet dat de structuur legaal is?

De HTML-specificatie vereist dat <hN> in volgorde wordt genest en geen niveaus mag overslaan. Maar in een echte productieomgeving kunnen CMS-sjablonen, het plakken van rich-text-editors en het verpakken van front-endcomponenten deze structuur allemaal doorbreken.

Een meer verraderlijke situatie is wanneer CSS semantische tags overschrijft. font-size: 24px's <p> ziet er bijvoorbeeld uit als H1, maar de echte <h2> is ingesteld op een klein lettertype. Als u alleen vertrouwt op het regelmatig matchen van tagnamen, of op browserweergaveresultaten, verwart u het visuele niveau met het semantische niveau.

Beautiful Soup parseert de DOM-boom zelf zonder tussenkomst van CSS, zodat het structurele verificatie kan uitvoeren op basis van de originele markup.

Synthesevoorbeeld: juiste en onjuiste titelvolgorde

In dit artikel worden synthetische monsters gebruikt om de verwerkingsmethode aan te tonen. Het onderstaande HTML-fragment wordt alleen in het geheugen gebruikt, is geen echte pagina en vertegenwoordigt geen industriestandaarddrempel.

Correct invoervoorbeeld

<h1>API 概览</h1>
<h2>认证机制</h2>
<h3>OAuth2 流程</h3>
<h2>错误处理</h2>

Verwachte resultaten: continue hiërarchieën, geen overslaan van niveaus, H1 is uniek en ondertitels horen strikt bij de bovenliggende titel.

Voorbeelden van fout- en grensinvoer

<h1>用户指南</h1>
<h3>快速开始</h3> <!-- 跳过 H2 -->
<div class="section-title">高级配置</div> <!-- 非标题标签 -->
<h1>附录</h1> <!-- 第二个 H1 -->

Dit voorbeeld bevat drie soorten vragen:

• H1 tot H3 skip-niveau: gemarkeerd als skip-niveau
• Gebruik div om titel te simuleren: markeer als niet-koptitel
• Meerdere H1: Gemarkeerd als meerdere-h1

De juiste aanpak is om ze afzonderlijk te markeren in plaats van simpelweg een fout te melden of te negeren.

Het is belangrijk op te merken dat hoewel <div class="section-title"> het woord "titel" bevat, dit semantisch geen titel is en niet in de hiërarchische boom mag worden opgenomen. Als het bedrijf vereist dat het als een titel wordt behandeld, moeten de conversieregels tijdens de acceptatie expliciet worden aangegeven en afzonderlijk worden gemarkeerd.

Gebruik Beautiful Soup om hiërarchische verificatie te implementeren

In het volgende Python-voorbeeld wordt Beautiful Soup 4.15.0 gebruikt, met de standaardbibliotheek html.parser.

Invoervoorbereiding: wijs de te detecteren HTML-tekenreeks toe aan html_snippet. Als u uit een bestand leest, gebruikt u eerst open().read() om de tekenreeks te verkrijgen en geeft u deze vervolgens door aan de parser.

Uitvoer verwacht: het script drukt een gestructureerde lijst met problemen af en gebruikt beweringen om bekende fouten in de synthetische gegevens te verifiëren.

De code is niet afhankelijk van externe netwerk- of bestandssysteembewerkingen, en alle beweringen zijn ontworpen tegen synthetische gegevens. Voer het programma uit binnen uw eigen vergrendelde afhankelijkheidsomgeving en ga er niet vanuit dat de versie compatibel is.

from bs4 import BeautifulSoup

# 输入准备：合成示例包含跳级、伪标题、多H1
# 实际使用时可替换为 open('page.html').read()
html_snippet = """
<h1>用户指南</h1>
<h3>快速开始</h3>
<div class="section-title">高级配置</div>
<h1>附录</h1>
"""

soup = BeautifulSoup(html_snippet, 'html.parser')
headings = soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6'])

issues = []
prev_level = 0
h1_count = 0

for tag in headings:
    level = int(tag.name[1])
    text = tag.get_text(strip=True)

    if level == 1:
        h1_count += 1
    if prev_level > 0 and level > prev_level + 1:
        issues.append(f"skip-level: H{prev_level} -> H{level} at '{text}'")
    prev_level = level

if h1_count != 1:
    issues.append(f"multiple-h1: found {h1_count} H1 tags")

# 检查伪标题（仅作为补充信号，不自动纳入层级）
pseudo_titles = soup.find_all('div', class_='section-title')
if pseudo_titles:
    issues.append(f"non-heading-title: {len(pseudo_titles)} div.section-title found")

# 输出与验收：针对本合成示例的预期断言
print("Detected issues:")
for issue in issues:
    print(f"- {issue}")

assert len(issues) == 3, f"Expected 3 issues, got {len(issues)}"
assert any('skip-level' in i for i in issues)
assert any('multiple-h1' in i for i in issues)
assert any('non-heading-title' in i for i in issues)

Dit script controleert alleen op structurele afwijkingen op tagniveau en houdt geen rekening met de kwaliteit van de inhoud of visuele consistentie. find_all retourneert een lijst met tags in documentvolgorde, dus hiërarchische gevolgtrekking is volledig afhankelijk van de status die is vastgelegd tijdens het doorlopen.

Als u complexe nesting van secties, artikelen, enz. wilt ondersteunen, moet u de bovenliggende knooppunten combineren voor analyse. Dit voorbeeld richt zich op de meest elementaire lineaire reeksverificatie.

📊 Kernvergelijking: geautomatiseerde verwerking versus handmatige beoordeling

Code kan mechanische fouten opvangen, maar kan het menselijk oordeel over de semantiek niet vervangen. De volgende tabel bevat typische observaties en de bijbehorende verwerkingsmethoden.

Deze regels zijn alleen van toepassing op de verificatielogica van het huidige synthetische voorbeeld en vormen geen algemene specificatie.

Bij het tegenkomen van dynamische pagina's, Shadow DOM of JS-gerenderde inhoud gegenereerd door CMS, kan Beautiful Soup niet de volledige DOM verkrijgen. Op dit moment moet u eerst een headless browser gebruiken om de originele broncode voor te verwerken of direct handmatig te bekijken.

Gebruik deze checklist voor documentvertaling

De tekst, links, code en structuur van webpaginadocumenten moeten afzonderlijk worden verwerkt. Voeg de beschermde delen toe aan de acceptatielijst en evalueer vervolgens de leesbaarheid en paginapresentatie na vertaling.

OmniDoc (productportaal) biedt een documentvertalingsportaal in meerdere formaten, en de officiële website introduceert OCR-, woordenlijst- en tweetalige vergelijkingsfuncties. Voor teams die rechtstreeks vanuit de bestanden willen werken, is dit een pad dat de moeite waard is om te evalueren met praktijkvoorbeelden.

Gebruik ongevoelige bestanden waarvoor u toestemming heeft om te uploaden, en gebruik de controle-items in dit artikel om de resultaten te bekijken. Er wordt hier niet beweerd dat OmniDoc de open source-bibliotheken of interne algoritmen in dit artikel gebruikt, noch vervangt het voorbeeld het testen van productprestaties.

🎯 Welke methode is geschikt voor jou?

Als u snel statische HTML wilt screenen

Voer het verificatiescript rechtstreeks uit, registreer de gevonden soorten problemen en bevestig vervolgens elk item handmatig.

Als uw pagina dynamisch wordt weergegeven door JS

Gebruik eerst een headless browser om de weergegeven DOM te verkrijgen en voer vervolgens structurele verificatie uit; als deze niet kan worden verkregen, controleer dan handmatig de broncode.

Als uw pagina veel div-pseudotitels heeft

Bevestig eerst of deze elementen titels moeten zijn. Als het een verouderde sjabloon is, overweeg dan batchconversie en markeer deze afzonderlijk tijdens acceptatie.

❓ Veelgestelde vragen (FAQ)

1. Als de tag bestaat, betekent dit dan dat de titelstructuur correct is?

Nee. Het bestaan van de tag betekent alleen "er is hier een titel". Of de titels een legale geneste stamboom vormen, moet afzonderlijk worden geverifieerd.

2. Waarom kunnen we niet gewoon vertrouwen op de browserweergaveresultaten om het titelniveau te bepalen?

CSS kan semantische tags overschrijven, waardoor de visuele hiërarchie inconsistent wordt met de semantische hiërarchie. Beautiful Soup parseert de DOM-boom zelf zonder tussenkomst van CSS.

3. Moeten alle door het script gedetecteerde problemen worden gecorrigeerd?

onzeker. Skips en meerdere H1's vereisen handmatige bevestiging, omdat dit administratieve fouten of een legitiem ontwerp kunnen zijn.

4. Kan het script de kwaliteit van de titelinhoud controleren?

kan niet. Lege titelinhoud of pure symbolen zijn problemen met de inhoudskwaliteit en vereisen handmatige beoordeling.

📝 Samenvatting

Problemen met titelniveaus zitten vaak verborgen tussen tags en visuele stijlen. Gebruik eerst scripts voor mechanische screening en beoordeel vervolgens handmatig de semantiek. De combinatie van beide heeft een stabieler effect. De code is gecontroleerd met voorbeelden in een geïsoleerde omgeving, maar dit is geen garantie voor alle echte bestanden of productprestaties. Voordat u belangrijke documenten verwerkt, dient u de originelen te bewaren en deze te controleren volgens de grenzen en acceptatiepunten van dit artikel.

Volgende stap: Selecteer een HTML-document waaraan u werkt, voer het bovenstaande validatiescript uit en noteer de soorten gevonden problemen. Als er sprake is van niet-gelabelde headers of complexe nesting, breidt u het script uit om de analyse van bovenliggende containers te ondersteunen, of gaat u direct over op een handmatig beoordelingsproces. Referentie: Prachtige soepdocumentatie

Probeer het nu: upload het document om de vertaling te starten, waarbij de oorspronkelijke lay-out behouden blijft