In einem XHTML-Dokument ist immer html das übergeordnete Element, auch Wurzel-Element genannt. Es enthält zwei Kind-Elemente, nämlich head und body, die wiederum weitere Kind-Elemente enthalten.

In den Regeln einer Auszeichnungssprache ist genau festgelegt, ob Elemente Kind-Elemente enthalten dürfen, welche und wieviele davon. Text (character data) darf nur in bestimmten Elementen enthalten sein, z.B. in p, nicht jedoch in head.

Die Struktur eines XHTML-Dokumentes sieht baumförmig dargestellt so aus: