HTML页面大纲提取必须严格遵循W3C Outline Algorithm：跳级（如h2后接h4）、多h1、首屏无h1均导致大纲为空或扁平化；验证须用Chrome Accessibility Tree或htmlq等工具检查heading-level连续性，而非正则匹配标签数量。
直接提取 HTML 页面大纲，不能靠正则匹配 h1 到 h6 标签数量或顺序，必须按 W3C Outline Algorithm 规则遍历——跳级（如 h2 后接 h4）、多 h1、首屏无 h1 都会导致大纲为空或扁平化。服务端渲染缺失 h1 或动态组件中 h1 被条件隐藏，是生产环境最常被忽略的根源。
用 htmlq 命令行快速验证标题层级合法性
htmlq 是轻量、可靠、无需运行时依赖的 CLI 工具，适合 CI/CD 中做前置校验。它不解析语义，只按 DOM 顺序提取标签并输出结构，能暴露跳级、断裂等硬伤。
- 检查是否跳级：运行
curl -s https://yoursite.com | htmlq 'h1, h2, h3, h4, h5, h6' --text，观察输出是否严格递增或回退一级（h2 → h3 → h2合法，h2 → h4非法） - 确认首屏有
h1：加-r 'h1:first-of-type'过滤，若无输出说明 SSR 阶段未生成或被 CSS 隐藏 - 避免误判隐藏标题：不要加
--ignore-whitespace，否则可能漏掉display: none的h1—— 大纲提取器仍会处理它，但语义已断裂
用 jsoup 在 Java 后端提取结构化大纲数据
语雀、Confluence 等平台导出 HTML 后需服务端解析生成导航目录，jsoup 是稳妥选择。关键不是“找到所有 h*”，而是模拟浏览器 Outline Algorithm 构建嵌套树。
- 必须按 DOM 顺序遍历：用
document.body.children()深度优先遍历，而非getElementsByTag("h1")等分批取，否则顺序错乱 - 层级计算不能靠 tag 名字：
h3不一定等于 level 3，要根据前一个标题动态推导——当前为h2、上一个是h1，则 level = 2；当前为h4、上一个是h2，则非法，应降级为h3 - 跳级时别 crash：遇到
h1 → h4，建议 fallback 为h2并打 warning 日志，而不是抛异常中断流程
用 Cheerio + Node.js 提取并修复不合规标题
前端构建阶段（如 Vite 插件或 Next.js build hook）可用 cheerio 扫描并自动修正常见问题，比 runtime 修复更可控。
如果你了解HTML，CSS和JavaScript，您已经拥有所需的工具开发Android应用程序。本动手本书展示了如何使用这些开源web标准设计和建造，可适应任何Android设备的应用程序 - 无需使用Java。您将学习如何创建一个在您选择的平台的Android友好的网络应用程序，然后转换与自由PhoneGap框架到一个原生的Android应用程序。了解为什么设备无关的移动应用是未来的潮流，并开始构建应用程序，提供更
立即学习“前端免费学习笔记（深入）”；
- 修复缺失
h1：检测$('body').children().first().is('h1')为 false 时，在<body>开头注入<h1 aria-hidden="true">Page Title</h1>（仅用于大纲，不干扰视觉） - 限制
h5/h6使用：全局搜索h5和h6，若非文档页脚注或特殊场景，统一替换为h3—— 95% 的业务页面真不需要它们 - 防
props.level注入漏洞：模板中写<h${level}>时，必须在 JS 层做断言：const level = Math.min(6, Math.max(1, parseInt(levelStr) || 2))，否则可能输出<hNaN>
Chrome Accessibility Tree 是唯一可信验证方式
所有自动化脚本的输出，最终都要回归到机器怎么“读”它。DevTools 的 Accessibility 面板显示的 heading-level 属性，才是 axe、Lighthouse、屏幕阅读器实际依赖的依据。
- 别信
document.querySelectorAll('h1,h2,h3').length：它只数标签，不管嵌套与顺序 - 右键任意标题 → “Reveal in Accessibility Tree”，看右侧
heading-level是否连续、有无0或重复1 - VoiceOver（macOS）快捷键
Ctrl + Option + Cmd + H列出的标题菜单，就是最终用户拿到的大纲——如果这里跳层或空，说明前面所有提取都白做了
真正难的不是提取，而是让提取结果和浏览器实际构建的大纲一致。很多团队花时间写 parser，却没在 SSR 阶段确保首帧 HTML 包含有效 h1，也没约束 CMS 输出字段的数值范围。这些点漏掉，自动化脚本再准也产出废数据。
