在寫爬蟲的過程中，我們經常使用 XPath 來從 HTML 中提取資料。例如給出下面這個 HTML：
<html>
<body>
<div class="other">不需要的資料</div>
<div class="one">
不需要的資料
<span>
<div class="1">你好</div>
<div class="2">世界</div>
</span>
</div>
<div class="one">
不需要的資料
<span>
<div class="3">你好</div>
<div class="4">產品經理</div>
</span>
不需要的資料
</div>
</body>
</html>
複製程式碼如果我們使用 lxml 來提取裡面的你好、世界、你好、產品經理。
於是我們寫出下圖所示的程式碼：
我們也可以使用 Scrapy 的 Selector 執行相同的 XPath，結果是一樣的：
首先使用 XPath 獲取class="one"這個 div 標籤。由於這裡有兩個這樣的標籤，所以第28行的 for 迴圈會執行兩次。在迴圈裡面，使用.//獲取子孫節點或更深層的div標籤的正文。似乎邏輯沒有什麼問題。
但是，requests的作者開發了另一個庫requests_html，它整合了網頁獲取和資料提取的多個功能，號稱Pythonic HTML Parsing for Humans。
但如果你使用這個庫的話，你會發現提取的結果與上面的不一致：
完全一樣的 XPath，但是返回的結果裡面多出了一些髒資料。
為什麼會出現這樣的情況呢？我們需要從一個功能說起。
我們修改一下 HTML 程式碼，移除其中的髒資料，並對一些標籤改名：
<html>
<body>
<div class="other">不需要的資料</div>
<div class="one">
<span>
<p class="1">你好</p>
<p class="2">世界</p>
</span>
</div>
<div class="one">
<span>
<p class="3">你好</p>
<p class="4">產品經理</p>
</span
</div>
</body>
</html>
複製程式碼現在，如果我們使用原生的 lxml 來提取資料，我們的程式碼寫為：
注意畫紅線的位置，.//p/text()——當你在某個 XPath 返回的 HtmlElement 物件下面繼續執行 XPath 時，如果新的 XPath 不是直接子節點的標籤開頭，而是更深的後代節點的標籤開頭，就需要使用.//來表示。這裡的p標籤不是class="one"這個 div 標籤的直接子標籤，而是孫標籤，所以需要使用.//開頭。
如果不遵從這個規則，直接寫成//，那麼執行效果如下圖所示：
雖然你在class="one"這個 div 標籤返回的 HtmlElement 中執行//開頭的 XPath，但是新的 XPath依然會從整個 HTML 中尋找結果。這看起來不符合自覺，但它的邏輯就是這樣的。
而如果使用requests_html，就不用遵守這個規則：
對子 HtmlElement 執行//開頭的 XPath，那麼它就確實是只在這個 HtmlElement 對應的原始碼中尋找資料。看起來更加符合直覺。
這看起來是一個非常人性化的功能。但是，上面我們遇到的那個異常情況，恰恰就是這個人性化的功能帶來的怪現象。
為了解釋其中的原因，我們來看 requests_html的原始碼。本文使用requests_html的0.10.0版本。
requests_html的原始碼只有一個檔案，非常容易閱讀。
用 PyCharm 編寫上述程式碼，在 macOS 下，按住鍵盤Command 並用滑鼠左鍵點選上圖程式碼第24行的xpath；Windows 系統按住Ctrl 並用滑鼠左鍵點選24行的xpath，跳轉到原始碼中。沒有 PyCharm 的同學可以開啟 Github 線上閱讀它的原始碼但行數可能與本文不一致。
在原始碼第237行，我們可以看到一個方法叫做xpath，如下圖所示：
當我們執行selector.xpath的時候，程式碼就執行到了這裡。
程式碼執行到第255行，通過呼叫self.lxml.xpath真正執行了 XPath 語句。而這裡的self.lxml，實際上對應了原始碼中的第154行的lxml方法：
大家在這裡是不是看到一個很屬性的身影？第162行的lxml.html.fromstring。就是標準的 lxml 解析 HTML 的模組。不過它是第160行執行失敗的時候才會被使用。而第160行使用的soup_parse，實際上也是來自於 lxml 庫。我們看原始碼最上面，第19行：
實際上使用的是lxml.html.soupparser.fromstring。
所以，requests_html庫本質上還是使用 lxml 來執行 XPath 的！
那麼是不是lxml.html.soupparser.fromstring這個模組具有上述的神奇能力呢？實際上不是。我們可以自己寫程式碼來進行驗證：
執行結果與我們直接使用lxml.html.fromstring返回的結果完全一致。
為了證明這一點，我們在requests_html的第257行下一個斷點，讓程式停在這裡。如下圖所示：
此時，是程式剛剛把class="one"的兩個標籤通過 XPath 提取出來，生成 HtmlElement 的時候，此時第255行的變數selected是一個列表，列表裡面有兩個 HtmlElement 物件。我們現在如果直接對這兩個物件中的一個執行以//開頭的 XPath 會怎麼樣呢？點選紅色箭頭指向的計算器按鈕（Evaluate Expression），輸入程式碼selected[0].xpath('//p/text()')並點選Evaluate按鈕，效果如下圖所示：
這個返回結果說明，到requests_html原始碼的第255行執行結束為止，XPath 的執行效果與普通的lxml.html.fromstring保持一致。還不能混用.//和//。
我們再來看原始碼的第257-261行，這裡使用一個列表推導式生成了一個elements列表。這個列表裡面是兩個Element 物件。這裡的這個Element是requests自定義的。稍後我們再看。
在PyCharm 的除錯模式中，單步執行程式碼到第264行，使得 elements 列表生成完成。然後我們繼續在Evaluate Expression視窗中執行Python 語句：elements[0].xpath('//p/text()')，通過呼叫 Element 物件的.xpath，我們發現，竟然已經實現了混用.//與//了。如下圖所示：
這就說明，requests_html的所謂人性化 XPath 的關鍵，就藏在Element這個物件中。我們轉到程式碼第365行，檢視Element類的定義，如下圖所示：
這個類是BaseParser的子類，並且它本身的程式碼很少。它沒有.xpath方法，所以當我們上面呼叫elements[0].xpath('//p/text()')時，執行的應該是BaseParser中的.xpath方法。
我們來看一BaseParser的.xpath方法，程式碼在第236行：
等等，不太對啊。。。
這段程式碼似曾相識，怎麼又轉回來了？？？
先不要驚慌。
我們繼續看第255行，大家突然意識到一個問題，我們現在是對誰執行的 XPath？selected = self.lxml.xpath(selector)說明，我們現在是對self.lxml這個物件執行的 XPath。
我們回到第160行。
soup_parse的第一個引數self.html是什麼？我們轉到原始碼第100行：
如果self._html不為空，那麼返回self.raw_html.decode(self.encoding, errors='replace')，我們目前不知道它是什麼，但是肯定是一個字串。
如果self._html為空，那麼執行return etree.tostring(self.element, encoding='unicode').strip()。
我們來看看self._html是什麼，來到BaseParser的__init__方法中，原始碼第79行：
如果在初始化BaseParser時傳入了 html 引數並且它是字串型別，那麼self._html就把 html 引數字串編碼為 bytes 型資料。如果它不是字串，或者沒有傳入，那麼傳什麼就用什麼。
我們現在回到Element類定義的__init__函式中：
注意第379行，Element類初始化地時候，給 BaseParser傳入的引數，沒有html引數！
所以在BaseParser的__init__方法中，self._html為None!
所以在第100行的html屬性中，執行的是第107行程式碼！
而第107行程式碼，傳給etree.tostring的這個self.element，實際上就是我們第一輪在第257-261行傳給Element類的引數，也就是使用 lxml 查詢//div[@class="one"]時返回的兩個 HtmlElement 物件！
那麼，把HtmlElement物件傳入etree.tostring會產生什麼效果呢？我們來做個實驗：
etree.tostring可以把一個HtmlElement物件重新轉換為 Html 原始碼！
所以在requests_htmls中，它先把我們傳給Element的 HtmlElement 物件轉成 HtmL 原始碼，然後再把原始碼使用lxml.html.soupparser.fromstring重新處理一次生成新的HtmlElement 物件。這樣做，就相當於把原始 HTML 中，不相關的內容直接刪掉了，只保留當前這個class="one"的 div 標籤下面的內容，當然可以直接使用//來查詢後代標籤了，因為干擾的資料完全沒有了！
這就相當於在處理第一層 XPath 返回的 HtmlElement時，程式碼變成了：
但是成也蕭何，敗也蕭何。這種處理方式雖然確實有點小聰明，但是如果原始的 HTML 是：
<html>
<body>
<div class="other">不需要的資料</div>
<div class="one">
不需要的資料
<span>
<div class="1">你好</div>
<div class="2">世界</div>
</span>
</div>
<div class="one">
不需要的資料
<span>
<div class="3">你好</div>
<div class="4">產品經理</div>
</span>
不需要的資料
</div>
</body>
</html>
複製程式碼在對//div[@class="one"]返回的 HtmlElement 再次執行XPath 時，程式碼等價於對：
<div class="one">
不需要的資料
<span>
<div class="1">你好</div>
<div class="2">世界</div>
</span>
</div>
複製程式碼執行//div/text()，自然就會把不需要的資料也提取下來：
所以，requests_html的這個特性，到底是功能還是 Bug？我自己平時主要使用 lxml.html.fromstring 或者 Scrapy，所以熟悉了使用.//後，我個人傾向於requests_html這個特性是一個 bug。
