大模型预训练语料提取-网页数据清洗工具思路：MinerU-HTML

网页数据是大模型预训练的核心来源（如Common Crawl），但需先将HTML转换为结构化文本。现有工具（Trafilatura、Resiliparse）依赖启发式规则 （如文本密度、DOM树遍历规则），导致代码块、公式、表格等结构化元素丢失或损坏，进而影响大模型预训练效果。（工具未开源，仅看思路 。）

方法：MinerU-HTML pipline

如上图，如果不依赖规则，那就设计一套语义感知的两阶段提取管道，将“HTML提取”从“固定预处理步骤”转化为为“语义理解任务”。整体流程为：原始HTML → 第一阶段（Main-HTML提取）→ 第二阶段（文档格式化）→ Markdown。

下面具体看下两个阶段：

1. 第一阶段：Main-HTML提取（核心是“语义化筛选主内容”）

目标是从原始HTML中剥离冗余（广告、导航栏），保留主内容及完整结构。

（1）三步骤流程（单文档处理）

• 预处理：生成双路HTML 原始HTML包含大量渲染无关标记（如<style>、<script>），直接输入模型会导致token爆炸。因此设计双路转换：

• 简化HTML（Simplified HTML）：移除非内容标签、保留关键属性（class/id）、按语义块分割（表格、列表视为原子块）、截断超长块，大幅减少模型输入token；
• 映射HTML（Mapping HTML）：仅保留块级分割，不修改原始结构，用于后续忠实重建主内容。 双轨设计既降低了模型计算负担，又避免了结构信息丢失。

• 内容分类：序列标注+约束解码

摒弃启发式规则，将“主内容筛选”转化为序列标注任务 ：将简化HTML的每个语义块标注为“main（主内容）”或“other（冗余）”。使用0.6B参数的Qwen3-0.6B（32K上下文窗口，支持100+语言），兼顾轻量性与语义理解能力；约束解码：通过确定性有限状态机（FSM）控制输出格式（JSON-like），仅允许“main/other”二选一，完全避免模型幻觉（生成不存在的内容）或格式错误。

• 后处理：重建Main-HTML ：将标注结果映射回“映射HTML”，剔除“other”块，保留的“main”块组成完整的DOM子树（Main-HTML），确保输出结构合法、内容忠实于原始文档。

（2）扩大规模

单文档模型推理成本高，无法直接应用于Common Crawl（数百亿文档）。论文利用“网页结构的规律性”（同一子域名的页面多来自相同模板），设计模板感知优化策略 ：

1. 按子域名聚类，确保同集群页面结构相似；
2. 每个集群选1个结构最丰富的页面，用完整模型管道处理；
3. 将模型对该页面的标注结果，转化为可解释的XPath/CSS规则；

2. 第二阶段：文档格式化

Main-HTML仍是渲染导向的标记语言，需转换为LLM友好的Markdown格式。设计“中间表示+类型专用规则”的两阶段转换：

（1）第一步：HTML→结构化内容列表（JSON）

将Main-HTML解析为JSON格式的“内容列表”，明确标注每个元素的语义类型 （标题、段落、代码块、公式、表格等），并存储专属属性（如标题层级、代码语言、公式类型）。例如：

  
{  
  "type": "code",  
  "content": {"code\_content": "...", "language": "Python"}  
}  

（2）第二步：内容列表→Markdown

针对每种语义类型设计专用转换规则 ，确保格式保真：

• 代码块：保留缩进、语法标记，用```包裹；
• 公式：区分行内 （$...$） 与块级 （$$...$$） ，保留LaTeX/MathML完整语法；
• 表格：简单表格直接转Markdown格式，复杂表格（合并单元格、嵌套）保留HTML结构以避免信息丢失；
• 标题/列表：严格遵循Markdown层级（#数量对应标题级别，-/*对应列表）。

MinerU-HTML 的迭代优化路径

通过收集更多训练数据（包括失败案例），在扩展的数据集上重新训练，并利用基础模型能力的提升，可以系统性地改进基于模型的提取器。随着语言模型持续进步，这一方法具有天然的可扩展性和未来适应性。

评估

参考文献：https://arxiv.org/pdf/2511.16397v1，AICC: Parse HTML Finer, Make Models Better —— A 7.3T AI-Ready Corpus Built by a Model-Based HTML Parser