DOM 结构化解析

要解决什么问题

爬虫、RPA 或手工保存下来的 HTML，往往带着嵌套标签、重复 class 和「标签名 + 冒号 + 文本」混排。直接正则或 XPath 可以抠字段，但表头含义、列表项里哪一段是「订单号」、表单默认值该叫什么键，仍要人读页面上下文。DomParseSkill 的目标是把这类 半结构化页面 收成统一 JSON，方便入库、对账或下游脚本消费。

技能如何工作

1. 接收输入：HTML 字符串或本地 .html 文件路径。
2. 结构识别：

- 表格：识别 table，提取表头与行数据。
- 列表：识别重复容器（如 div.item、li），抽取关键字段。
- 表单：识别输入框、下拉框及当前值。

1. 语义映射：结合页面上下文，把原始文本映射为有意义的键值（例如「订单号：123」→ {"order_id": "123"}）。
2. 生成与清洗：组装半结构化 JSON，去掉冗余标签与无意义空白。

典型指令包括：解析该页面的订单表格并转为 JSON、从 HTML 中提取商家的基本信息和配置参数。

适用边界与注意点

• 结构极复杂的页面，可先用 BeautifulSoup 做初步清洗，再交给大模型做语义字段命名。
• 生成前最好明确下游 schema（字段名、是否嵌套对象），避免 JSON 形状与存储/分析要求不一致。
• 本技能侧重 DOM 结构与语义键；若页面主要靠内联 JSON 或 API 响应体，应优先解析数据源而非整页 HTML。