关键词密度工具，输入对象改成整页HTML后怎样重定规范
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /0411feba0061.html
📄
关键词密度工具，输入对象改成整页HTML后怎样重定规范
当你的统计对象从纯文本段落变成整页HTML源码时，旧输入规范里“先清标签再计数”的做法会直接改变分母和分子，结论也就随之失真。可行的处理方式不是换一个工具，而是把输入规范拆成两层：先确定参与统计的可见文本边界，再决定标签、脚本、样式和属性值是否进入计数范围；两层都写死之后，同一页面在不同时间的密度结果才具备可比性。
先判断变化发生在哪一层：字符来源还是切分方式
对象格式变化通常不是单一原因。你可以用同一份页面做一次对照：保留原始HTML直接统计，再清除<script>、<style>和注释后统计，最后只保留正文容器再统计。三次结果若差异集中在脚本和样式，说明问题出在字符来源；若差异集中在导航、页脚、相关推荐被算进正文，说明问题出在切分方式。两种原因对应不同的规范改法，不能混在一起调。
判断依据可以更具体：如果某个关键词只出现在属性值、类名或脚本变量里，而页面上读者看不到它，那么它属于来源问题，应在进入统计前剔除；如果它确实出现在可见文本里，只是分散在多个区块，那属于切分问题，应通过容器范围而不是字符过滤来解决。
把输入规范重写成可执行的三段式
规范要能交给别人照做，而不是只写“注意清洗”。建议固定成三段，每段都给出判定条件。
- 采集段：明确输入是源码、渲染后DOM还是人工摘录的正文。若业务页面依赖前端渲染，直接取源码会漏掉动态插入的文本，此时应改为渲染后取值，或明确声明只统计服务端输出部分。
- 清洗段：列出被移除的标签与区块，例如脚本、样式、注释、隐藏元素、模板占位。移除顺序要固定，因为先删注释再删标签与反过来，在嵌套异常时结果可能不同。
- 计数段：定义分词方式、是否区分大小写、是否合并同义变体、单复数如何处理。密度分母是清洗后的总词数还是总字符数，也要写死。
完成这三段后，先拿一个已知页面跑一遍，记录各段输出的中间量。中间量对不上时，你能立刻定位是采集漏了内容还是清洗多删了区块，而不是反复怀疑工具本身。
用一个假设例子验证规范是否站得住
假设某产品页源码约两万字符，其中脚本与样式占一半，正文可见文本约三千字符，目标词在正文出现九次，在脚本配置里出现三次。若按原始源码统计，分母虚高、密度被压低；若只取正文容器，密度明显上升。两种口径都不算错，错的是在同一份报表里混用。
此时的动作是：把口径写进规范标题，例如“正文容器口径”，并在输出里同时保留清洗后总词数和目标词次数。下一步的决策依据由此变得清晰——如果两次周报的密度变化主要来自分母波动，应先检查页面是否新增了大段无关模块，而不是急着改文案。
变化前后该采取不同决策的条件
不是所有格式变化都需要重写规范。可以按下面两条线分开处理：
- 若变化只影响字符来源，而可见文本边界不变，例如模板换了标签结构但正文容器仍可稳定识别，此时只需更新清洗规则，历史数据仍可勉强对齐。
- 若变化影响到切分方式，例如正文被拆进多个异步加载区块，或页面改为单页应用导致源码中几乎没有正文，此时旧规范已无法产出可比数据，应停止用旧口径做趋势对比，先重建采集段再谈优化。
区分这两类情况的实际价值在于：前者是维护成本，后者是口径重建。把后者当前者处理，往往会在错误的分母上做出一连串无效调整。
让规范可复核，而不是一次性通过
规范落地后，至少保留一份固定样本页面和它的期望输出。每次修改清洗规则或计数规则，都先跑样本，确认差异只来自你预期的改动。若某次统计结果突然归零或骤降，先排查采集是否失败、容器选择器是否失效、编码是否异常，这些都能造成类似现象，不能直接判定为内容真的没有出现目标词。
当输入对象再次变化时，按“采集—清洗—计数”顺序逐段核对，比整体重调更省时间，也更容易向协作方解释结果为何变了。
