SAG / ARCHITECTURE NOTE
HTML ZIP 分析：为什么有源文件时应先检查，而不是先爬取？
这是一种通过受限输入路径读取网页 HTML 集合，并将其转换为诊断所需文档的采集方式。当公开网站发生变化或外部访问受限时，仅凭当前页面很难验证之前的源文件。经批准的源文件集合是界定分析内容的起点。
什么是 HTML ZIP 采集？
这是一种通过受限输入路径读取网页 HTML 集合，并将其转换为诊断所需文档的采集方式。 本笔记将 HTML ZIP 采集视为一种输入、转换和输出各自承担相应职责的流程，而非某个功能名称。要让分析结果可信，必须能够追溯输入了哪些资料、检查了哪些内容，以及结论的适用范围。
为什么需要这项技术？
当公开网站发生变化或外部访问受限时，仅凭当前页面很难验证之前的源文件。经批准的源文件集合是界定分析内容的起点。
设计原则与数据流
不能只凭扩展名判断文件；应先验证压缩包中的条目、大小和路径，然后再读取允许处理的 HTML。正文规范化和诊断应在不执行文件的情况下进行。
经批准的 HTML ZIP → 输入验证与规范化 → 逐页诊断
不能把某个阶段的成功说成下一阶段的成果。持续记录资料标识符、时间段和验证状态，有助于找到遗漏或错误发生的位置，并确定需要重新检查的范围。
与 SAG 架构的联系
SAG 数据注册会读取 HTML ZIP，并将其连接到页面分析资料。此流程与将压缩文件解压到服务器目录后执行脚本的做法相互分离。
SAG 的运营价值在于将这种关系连接到页面与问题、比较结果与改进工作。客户可以同时查看需要补充的对象和判断依据，而不只是读取数字。需要进一步应用的模式，应以相应段落的范围为准来理解。
说明性示例与判断标准
作为说明，请设想一个包含 3 个产品 HTML 文件的 ZIP。收到 3 个文件这一事实，与 3 个产品页面已在搜索中显示这一说法并不相同。必须将每个文件与 URL 和采集时间关联起来，才能追踪后续诊断。
上述示例用于说明结构和计算，并非特定客户的实测成果。实际报告应关联所选的时间段、对象、观测条件和原始记录，以便再次核验同一判断。
实务验证清单
| 流程阶段 | 检查项目 |
|---|---|
| 经批准的 HTML ZIP | 排除可执行文件和机密信息 |
| 输入验证与规范化 | 确认解压后的大小限制 |
| 逐页诊断 | 确认页面 URL 与文件的映射关系 |
请确认对于空资料、重复资料以及条件不同的资料，系统仍能保持相同的含义，而不仅是在正常输入下如此。将验证项目纳入工作完成标准，有助于缩小功能说明与实际运营之间的差距。
局限与应用注意事项
仅凭 ZIP 无法还原 HTML 中不存在的 API 数据或登录后才能访问的内容。应在报告中注明可访问范围和分析空缺。
研究与官方文档
- OWASP 文件上传指南 — 用于审查上传允许的格式和资源限制的安全设计资料。
外部资料为上述设计主题提供背景，并不代表其认证了 SAG 的所有实现或客户成果。本笔记中的应用解读和说明性示例依据 SAG 的运营架构整理。资料核查日期：2026-10-06。
延伸阅读与功能确认
如何继续了解这项技术
沿着 HTML ZIP·站点地图 → 规范化 → 页面版本 → 依据记录的流程继续阅读。
SAG / KNOWLEDGE LINKS