待验证50% 置信事实精确时间

未经清洗的网页中HTML标签、CSS类名、脚本引用等噪音可能占据总token数的50%-80%

1

来源数

50%

置信度

长期有效

时效性

2026/8/13

首次发现

来源

网页转Markdown API：为LLM和RAG系统打通数据入口

相关事实

待验证HTML的diff极其嘈杂难以审查，是HTML替代Markdown的最大缺点69% 相似待验证一个普通网页的原始HTML往往包含数万个Token的冗余内容，包括CSS样式表、JavaScript代码、广告脚本、导航菜单等67% 相似待验证一个典型的HTML文档相比等效的Markdown内容可能多消耗2-5倍的token65% 相似待验证DOMPurify是主流客户端HTML净化库，通过白名单机制过滤危险标签和属性，防御脚本执行而非所有HTML注入64% 相似待验证常用的 HTML 净化库包括前端的 DOMPurify 和 Python 后端的 Bleach63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/742522

API

curl https://kongchang.com/api/v1/knowledge/claims/742522

MCP

get_claim(id=742522)