网页可包含多个HTML标签吗？XPath中html[2]含义及爬虫路径差异解惑

1. 网页中可以存在多个<html>标签吗？ #

标准HTML规范明确要求一个文档只能有一个根<html>标签，作为<head>和<body>的父容器。但实际场景里，如果页面源码出现多个<html>标签，浏览器会自动执行容错修正，调整DOM结构来保证页面正常渲染——不过这种属于不规范的HTML写法，应当尽量避免。

2. XPath中/html[2]的含义及差异原因 #

Chrome复制的XPath基于浏览器渲染后修正的DOM结构：浏览器会自动修复不规范的HTML，把多余的<html>标签合并，所以你看到的DOM只有一个<html>节点，对应路径/html。

而用requests.get爬取到的是服务器返回的原始HTML源码，如果源码本身就包含多个<html>标签（比如模板拼接错误、服务器响应输出重复代码），解析工具（如lxml、BeautifulSoup）会保留原始结构，这时候/html[2]就指DOM中的第二个<html>元素。

本质区别在于：浏览器帮你“修正”了不规范的HTML，爬虫拿到的则是未被修改的原始代码，两者的DOM结构不一致，自然导致XPath路径出现差异。

内容的提问来源于stack exchange，提问作者Aethelflaed