标题与链接提取工具

概述

页面的标题层级就是它的目录，而读取它的东西比多数人以为的要多：构建摘要的搜索引擎、 提供可跳转标题列表的屏幕阅读器、判断页面主题的 AI 回答引擎。层级出错时，这些会同时 退化，而且屏幕上完全看不出来——被排版成小节标题模样的 h3，读起来与 h2 毫无区别。

本工具在服务器端获取 URL，按交付的原样解析 HTML，返回完整的标题树、h1 的数量、 每一处被跳过的层级，以及按内部/外部区分并标出 nofollow 的全部链接。

使用方法

1. 粘贴 URL。可省略协议，默认按 https 处理。
2. 阅读摘要行：h1 数量、标题总数、层级跳跃数。
3. 在 Outline 与 Links 之间切换查看明细。

「按交付的原样」是什么意思

不执行 JavaScript。这是刻意设定的约束，而不是需要绕开的限制：它呈现的是所有不执行 脚本的东西所看到的页面。

如果您的标题来自客户端框架，这里的层级会几乎是空的——而这正是结论。搜索引擎确实会 渲染 JavaScript，但按它们自己的节奏且没有保证，而消费您 HTML 的许多其他东西从不渲染： 链接预览、订阅阅读器、文本模式浏览器，以及多数 AI 爬虫。服务器端渲染出的层级，是 所有消费者都能看到的那一个。

<script> 与 <style> 的内容以及 HTML 注释在解析前即被移除，因此被注释掉的区块或 模板字符串中的标题不会出现在层级里。标题文本中的标签会被剥除，HTML 实体会被解码， 因此 <h2>Pricing &amp; plans</h2> 读作 Pricing & plans。

层级跳跃的读法

只要某个标题比前一个深超过一级就会报告：h1 到 h3，或 h2 到 h5。回到更浅的 层级从不算跳跃——h3 之后的 h2 只是在收束一个小节。

值得在意的原因是，在 HTML 中标题层级是唯一表示嵌套的信号。屏幕阅读器用户按层级 穿行文档，被跳过的一级会告诉他们存在一个内容里并不存在的小节。常见原因是视觉上的： 当初选 h4 是因为字号合适，而那个字号后来又在 CSS 里改掉了。

对策是按结构选层级、用 CSS 定字号。这样层级对所有读者都正确，外观也不受影响。

链接列表的读法

每个链接都按页面的最终 URL 解析，因此相对 href 会以爬虫跟随的绝对 URL 形式出现。 协议相对链接（//host/path）继承页面的协议。格式错误的 href 会被丢弃而不是作为 链接报告。

rel="nofollow" 的检测不区分大小写，且能在多值 rel 属性中识别，因此 rel="NoFollow noopener" 也会被标出。请注意，自 2019 年起 nofollow 对抓取而言是 提示而非指令：它已不再可靠地阻止链接被跟随。如果您原本依赖它把某个 URL 挡在索引之外， 这一点很关键。能做到这件事的只有目标页面上的 noindex。

空文本会被明确标出。没有文本的链接——通常是缺少 aria-label 的纯图标锚点——对屏幕 阅读器用户不可达，也不携带任何关于目的地的信号。

示例

• 审查模板而非页面 — 每个模板跑一个页面。标题缺陷几乎总在模板里，因此少量 URL 就能覆盖整个站点。
• 确认内容是否服务器端渲染 — 若层级为空而页面上满是标题，那么任何跳过 JavaScript 的东西都读不到它。
• 迁移之前 — 记录关键页面的层级与链接数，迁移后再比对。丢掉一个 h1、或某个小节 被降了一级，都极容易不被注意地发布出去。
• 发现意外的外部链接 — 外部列表里混进预发布或 CDN 的主机，通常意味着某个硬编码的 绝对 URL 在部署中存活了下来。
• 为 AI 回答引擎准备内容 — 正确的标题层级是可用的结构信号中成本最低的一个，也是 最常被破坏的一个。标记错误由 HTML 验证负责，分享时的呈现由 OG 预览负责。

不予统计的内容

只收集 <a href> 元素。<link>、<form action>、<iframe src> 与由 JavaScript 驱动的跳转均排除在外，因为它们不是爬虫从文档出发跟随的链接。

说明

最多跟随五次重定向，且每一跳都重新执行同样的地址判定，因此公开 URL 无法重定向进 私有网络。层级描述的是最终响应，同时显示跳转链。

读取到 1 MB 即停止，报告上限为 300 个标题与 500 个链接。达到任一上限都会告知， 因为被静默截断的层级与完整的层级看不出区别。

对私有地址、回环地址、链路本地地址与保留地址的请求，在建立任何连接之前即被拒绝。 响应正文仅在内存中解析以生成本报告，绝不保存——见隐私政策。