摄影：产品经理跟产品经理从花鸟市场淘回来的小花花
GNE: 新闻网页正文通用抽取器[1]更新了0.2.1版本，大幅度提高了正文的提取速度。在开发这个版本的时候，我遇到了一个非常奇怪的 Bug，最终发现是由于垃圾回收机制和内存重用机制导致的。今天我们来看看这个问题。
问题背景
先来看一段代码：
图1
这段代码读取tests/163/9.html这个文件里面的 HTML 代码，分别获取 <body> 下面的所有标签内部的所有<a>标签中的文本。说起来可能有点绕口，我举个例子。
<body> <div> <a href="/xx">你好</a> </div> <h2> <a>世界</a> </h2></body>
分别获取<div>标签和<h2>标签下面的<a>标签中的文本，也就是你好和世界。
但这段代码有个问题，就是对于嵌套结构的标签，会重复提取。例如：
<body> <div> <h2> <a href="/xx">你好</a> </h2> </div></body>
首先，获取<div>标签下面的<a>标签，获取到的是你好所在的<a>标签。但是，获取<h2>标签下面的<a>标签时，获取的仍然是同一个<a>标签。
这样一来，在上图代码里面第15-20行就会重复执行两次。
为了提高代码的运行效率，我们引入缓存，记录每一个<a>标签的分析结果，如果发现一个<a>标签已经被分析了，就直接使用缓存的结果，避免重复分析。
于是，代码修改成下面这样：
图2
代码第18行的str(element)对应了这个节点的内存地址，如下图所示：
图3
这段代码看起来似乎没有什么问题，但在实际提取数据的时候，发现提取的结果不太正常。
薛定谔的 Element
为了调试这个问题，我对代码做了一下修改：
图4
可以看到，同一个 HTML 标签，之前缓存的结果竟然跟新提取的不一样。
于是，我想看看每次提取的时候，对应的 element 是哪个，但却发生了更诡异的事情，我们做一个看起来对代码不会有任何影响的改动：
图5
图4里面，我们直接把element_text_list缓存起来。图5里面，我们把[element_text_list, element]缓存起来，读取的时候，读取这个列表的下标为0的元素。也就是说，这个缓存的element我们根本不使用。
但奇怪的事情就这样发生了，问题消失了！在图4大量打印的同一个标签，缓存的数据跟提取的数据不一致！，在图5里面却一条都没有打印。这样修改以后，GNE 的提取的结果就正确了。
但为什么会发生这种事情呢？难道说跟缓存的结果有关系？那么我们把列表里面的 element改成其他数据看看：
图6
仅仅是把element改成了数字1，Bug 又出现了。
它似乎知道我在试图去观察它，当我尝试用代码去观察 element时，它就一切正常。当我不观察它时，它就会出问题。薛定谔的 element。
看不见的手
遇事不决，量子力学。这个问题跟量子力学实际上没有关系。导致这个诡异情况发生的原因，是一个一直运行在 Python 里面，但是你常常忽略的机制——垃圾回收。
Python 会把不再使用的对象清理掉，从而释放内存。当我们执行一个 for 循环时：
for element in element_list: a = element.xpath('//xxx') b = element.xpath('.//text()') c = 1 + 1
循环第一次执行的时候，生成第一个element对象，但是这个对象在循环第二次执行的时候就被新的element对象覆盖了。因为没有其他地方继续使用第一个 element 对象，它的引用计数归零，Python 的垃圾回收机制就会把它清理掉。它占用的内存空间也会被释放出来。
但如果换一种写法：
cache = []for element in element_list: a = element.xpath('//xxx') b = element.xpath('.//text()') c = 1 + 1 cache.append(element)
由于列表cache中包含了对每个 element 对象的引用，导致第一次循环生成的element对象的引用计数不为0，垃圾回收机制不会回收它，它始终占用了一块内存区域。这块区域不会被其他数据使用。那么每次循环，新的element对象都会新申请一块内存区域来存放数据，于是就等价于每一个不同的 element 节点对应了不同的内存地址。
在示例代码里面，大家注意element_flag = str(element)这一行，它的值类似于<Element a at 0x1087ba638>，这里的十六进制数字0x1087ba638对应了这个对象在内存里面的地址。
一开始，我有一个不正确的假设，我以为str(element)的值，对应的 HTML 里面的每个节点。同一个节点，多次执行，结果都一样，不同的节点，多次执行，结果都不一样。
但实际上这是不正确的。因为如果前一个节点的内存区域被垃圾回收了，那么这个区域会被重新分配，新来的节点可能碰巧会放到这个地方，这就导致两个不同的 <a> 标签，当你执行str(element)时，他们打印出来的结果都是相同的。但是实际上他们的正文不一样。
而当我使用element_text_cache[element_flag] = [element_text_list, element]时，由于每个element对象不会被回收，于是就不会出现不同的节点互相覆盖的问题，所以它的工作就符合了预期。
解决问题
所以，bug 的根本原因在于，我不应该使用str(element)作为缓存的 Key，应该找一个跟 HTML 节点一一对应的东西来作为 Key。显然，使用 XPath 更好。
于是，修改代码，把element_flag改成 XPath：
图7
问题得以解决。
