给公开文章做归档时，一个很容易写错的状态是“网页可访问，核验通过”。请求确实成功了，文件也保存下来了，但这还不能说明程序读到了那篇文章。

2026年10月29日，我们为自有已发表文章保留了一次普通、无登录的公开HTTPS响应。它返回200，文件有72,914字节；用下文的离线代码检查时，未提取到h1或article文本，body可读文本计数为0，script节点为2。该代码不检查title元素；这些结果不能代替页面标题核验，也不能证明body没有其他节点。这次响应后来没有被计作全文核验通过。

## 这次要解决的，是归档判断问题

处理范围很小：复核已经保存的HTML和原请求记录，区分“取得响应”和“取得目标正文”。不执行页面脚本，不提取登录信息，不处理验证码，也不为了补齐正文持续重试。负责人提供的真实页面截图另作一类证据，不能把截图中的可见内容冒称为程序已经读到的全文。

HTTP状态码描述请求处理结果。200并不承诺返回内容一定满足应用希望检查的业务条件。对于文章归档，还要确认目标页面、标题和正文范围；页面的图片、图注和链接则需要继续分别核对。

![04_正文图.png](https://developer.qcloudimg.com/http-save/yehe-12868522/c38bdc5bab31a9aba3277a98e6613c5d.png)图1｜公开文章归档的分层检查示意。它描述核验步骤，不是平台自动监测能力或客户使用效果。

## 先把响应原件留住，再做离线解析

我们保留原始响应文件及SHA256，让后面的判断能回到同一份输入。编码按该份响应采用UTF-8读取；遇到解码替换字符时仍需回到原记录确认编码，不能把容错解码当作文字准确性的证明。

下面的代码只检查本地文件。它通过标准库HTMLParser统计h1、article、p和script，跳过script与style中的文本。这里选择article是因为对照样本使用了这个容器，不能假定所有网站都这样组织正文。

```python
"""Inspect a saved HTML file offline. It does not fetch URLs or run scripts."""
from html.parser import HTMLParser
from pathlib import Path
import hashlib,json,sys

class Probe(HTMLParser):
    def __init__(self):
        super().__init__(convert_charrefs=True)
        self.skip=0;self.body=0;self.article=0;self.h1=0
        self.scripts=0;self.articles=0;self.paragraphs=0
        self.body_text=[];self.article_text=[];self.headings=[]
    def handle_starttag(self,tag,attrs):
        if tag in ('script','style'):
            self.skip+=1
            if tag=='script':self.scripts+=1
        if tag=='body':self.body+=1
        if tag=='article':self.article+=1;self.articles+=1
        if tag=='h1':self.h1+=1
        if tag=='p':self.paragraphs+=1
    def handle_endtag(self,tag):
        if tag in ('script','style'):self.skip=max(0,self.skip-1)
        if tag=='body':self.body=max(0,self.body-1)
        if tag=='article':self.article=max(0,self.article-1)
        if tag=='h1':self.h1=max(0,self.h1-1)
    def handle_data(self,data):
        if self.skip or not data.strip():return
        if self.body:self.body_text.append(data.strip())
        if self.article:self.article_text.append(data.strip())
        if self.h1:self.headings.append(data.strip())

def inspect_saved(path):
    raw=Path(path).read_bytes();p=Probe()
    p.feed(raw.decode('utf-8',errors='replace'));p.close()
    return {'bytes':len(raw),'sha256':hashlib.sha256(raw).hexdigest(),
            'h1':p.headings,'article_nodes':p.articles,
            'article_text_chars':len(''.join(p.article_text)),
            'body_text_chars':len(''.join(p.body_text)),
            'p_tags':p.paragraphs,'script_tags':p.scripts,
            'static_body':'PRESENT_REVIEW_REQUIRED'if p.article_text else 'MISSING_OR_SELECTOR_UNSUPPORTED'}

if __name__=='__main__':
    print(json.dumps(inspect_saved(sys.argv[1]),ensure_ascii=False,indent=2))
```

用法是 python probe_saved_html.py page.html。代码不会发出网络请求，也不会运行HTML中的脚本。计数是辅助线索，最后的标签刻意保留REVIEW_REQUIRED或SELECTOR_UNSUPPORTED，避免把结构探测写成自动验收。

## 在两份已有响应上，分别得到了什么

这次离线复核使用两份自有公开文章的原存档，而不是新抓一组网页做性能测试。2026年10月29日的样本A：原请求200，72,914字节，h1为空，article为0，body聚合可读文本为0，script为2。2026年10月27日的样本B：原请求同为200，22,896字节，article为1，能取得该容器内的文本。

样本B的article聚合文本长度为1,146个字符，包含平台尾部文字，因此这个数不是作者正文的字数，也不是文章质量或完整度评分。它只说明，在这份文件及这个选择器下，有一段可供继续对照的静态文本。

样本A则不能据此写成“文章不存在”或“没有公开”。已有真实截图支持文章发表，程序未从这一份HTML中提取到目标正文，两项事实可以同时成立。至于为什么返回这种页面，本次没有足够证据确认原因，不按两段脚本推断具体防护机制。

## 有正文以后，还要做目标和内容对照

article里有文字，不等于目标文章全部无误。页面可能有多个h1，也可能把作者信息或平台尾部放进容器。需要用正式URL、账号和标题交叉确认，再按选定的正文范围对照，不能看到一个标签就整页判通过。

图片更需要单列。有文字节点或图片地址，只能说明HTML里存在这些信息；图像有没有实际显示、外部图注有没有保留、链接能否正确到达，不能从文本解析结果顺带得出。

因此，归档记录最好允许不同层次同时保留状态：原请求200；目标正文未取得；负责人截图支持已发表；后半篇、图片和链接仍待核。缺项有了名字，后续补证才知道该补什么。

## 这段代码的适用范围

它适合对已合法留存、体量有限的HTML做初步离线诊断，帮助人工定位判断依据。它不是通用正文提取器：HTML结构不规范、隐式闭合、用div承载正文、动态渲染或选择器变化，都可能影响结果。缺少article只能记为缺正文或选择器不适用，不能直接宣布页面无内容。

本次没有测试浏览器脚本渲染、登录后页面、手机显示或批量稳定性，也没有调用真实AI。两个历史响应只能支持这次解析记录，不能推出全平台自动监测、搜索索引、AI引用、推荐或获客效果。

如果你也在做类似工具，可以先检查已有日志中“200”和“正文已核”是不是同一个字段。把它们分开，通常就能少留下一类过度肯定的记录。

## 参考与样本

HTTP语义：RFC 9110，https://www.rfc-editor.org/rfc/rfc9110.html ；解析接口：Python标准库html.parser，https://docs.python.org/3/library/html.parser.html 。

自有文章样本A：https://www.toutiao.com/article/7701973174992388651/ （原响应留存日2026-10-29）；样本B：https://www.sohu.com/a/1093329452_123024699 （原响应留存日2026-10-27）。这些日期和结果只对应当时保存的文件，不代表现在重新访问仍会得到相同响应。

本文依据八戒智创既有归档材料和离线执行记录整理。

八戒智创


给公开文章做归档时，一个很容易写错的状态是“网页可访问，核验通过”。请求确实成功了，文件也保存下来了，但这还不能说明程序读到了那篇文章。

HTTP 200，却没拿到正文

一次自有公开文章归档中，HTTP返回200且响应不空，离线代码却未从保存的HTML中提取到目标正文。本文用已留存响应做离线解析，说明状态码、内容节点和人工核验应如何分别记录，并交代代码的适用范围与局限。

人工智能

归档判断需区分“取得响应”与“取得正文”，HTTP 200不代表内容核验通过。离线解析应复核已存HTML，检查h1、article及可读文本，保留原始响应与SHA256。计数仅作辅助线索，须结合正式URL、标题及负责人截图交叉确认。图片、链接需单列核验，避免将状态码误作业务条件满足。

让每一个 Agent，都跑在云上

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

HTTP 200，却没拿到正文-腾讯云开发者社区-腾讯云

HTTP 200，却没拿到正文

HTTP 200，却没拿到正文

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐