第3章｜网页、代码与不可信内容

前置：OCR、表格与结构校验。网页的导航栏、页脚、推荐文章重复出现，会污染检索。正文抽取应保留标题、列表、代码块和链接目标；JavaScript渲染页面可能需要浏览器宿主，简单HTTP响应并不包含最终正文。URL抓取同时涉及重定向、内容类型、体积限制和访问边界，不能让模型任意读取内网地址。

本章阅读

1. 网页、代码与不可信内容

正文给出第一次完整实验，练习要求你改变其中一个条件并解释影响。完成后对照本章答案。