前提・実現したいこと
pythonでhtmlをパースしたい
発生している問題・エラーメッセージ
(1)
[u'\u897f']
と表示される。("西南西"等の日本語の方角を期待していた)
(2)
chrome上でF12を押して、対象タグ上で右クリック、xpath出力すると、
//*[@id="bd"]/div[1]/table/tbody/tr[17]/td[13]/
となります。(tbodyが入っている)
但しこれをxpathとして指定しても要素を取得することができません。([]となる)
どのパスを指定するのが正解ですか?
該当のソースコード
from urllib2 import *
import lxml.html
html2 = urlopen('http://www.tenki.jp/live/5/26/47636.html').read()
root2 = lxml.html.fromstring(html2)
t1 = root2.xpath('//*[@id="bd"]/div[1]/table/tr[17]/td[13]/text()')
print t1
試したこと
>>print t1.encode('utf_8')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'list' object has no attribute 'encode'
補足情報(言語/FW/ツール等のバージョンなど)
CentOS release 6.7
Python 2.6.6
lxml
-
気になる質問をクリップする
クリップした質問は、後からいつでもマイページで確認できます。
またクリップした質問に回答があった際、通知やメールを受け取ることができます。
クリップを取り消します
-
良い質問の評価を上げる
以下のような質問は評価を上げましょう
- 質問内容が明確
- 自分も答えを知りたい
- 質問者以外のユーザにも役立つ
評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。
質問の評価を上げたことを取り消します
-
評価を下げられる数の上限に達しました
評価を下げることができません
- 1日5回まで評価を下げられます
- 1日に1ユーザに対して2回まで評価を下げられます
質問の評価を下げる
teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。
- プログラミングに関係のない質問
- やってほしいことだけを記載した丸投げの質問
- 問題・課題が含まれていない質問
- 意図的に内容が抹消された質問
- 過去に投稿した質問と同じ内容の質問
- 広告と受け取られるような投稿
評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。
質問の評価を下げたことを取り消します
この機能は開放されていません
評価を下げる条件を満たしてません
質問の評価を下げる機能の利用条件
この機能を利用するためには、以下の事項を行う必要があります。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
checkベストアンサー
0
(1)
xpathで得られる結果は基本的にlist型なので、t1[0]
などのように対象となるものを個別指定しないと、「試したこと」にあるようなデコードなどが効きません。
print t1[0]
としてみてください。
(2)
curlなどのコマンドラインで該当のURLを実行してみた感じでは、少なくともHTMLのレスポンス自体にはtbodyはタグは存在しませんでした。
jsによる書き換えかChromeが補完してしまったのだと思います。
ので、今回の場合では掲載されたコードの通りのxpathで問題ないかと思います。
投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
15分調べてもわからないことは、teratailで質問しよう!
- ただいまの回答率 88.35%
- 質問をまとめることで、思考を整理して素早く解決
- テンプレート機能で、簡単に質問をまとめられる
2016/05/04 19:25
(1)
>>> print t1[0]
西
出力されました。
(2)
確かにwgetでとってくると<tbody>がついていません。
このような差異があることもあるんですね。これからは生データも
確認するようにしようと思います。