从 xpath 中剥离信息？答案

【问题标题】：Strip information from xpath?从 xpath 中剥离信息？
【发布时间】：2016-09-01 20:41:28
【问题描述】：

我使用以下代码行从网页中获取 CVE id：

  project.cve_information = "".join(xpath_parse(tree, '//div[@id="references"]/a/text()')).split()

但是，问题是：

            <div id='references'>
            <b>References:</b>
            <a href='https://access.redhat.com/security/cve/CVE-2011-3256' target='_blank'>CVE-2011-3256&nbsp;<i class='icon-external-link'></i></a>
            <a href='https://rhn.redhat.com/errata/RHSA-2011-1402.html' target='_blank'>RHSA-2011-1402&nbsp;<i class='icon-external-link'></i></a><br />
        </div>

参考：CVE-xxxx-xxxx RHSA-xxxx-xxxx

如何避免 RHSA 和此类条目被解析？我只想要 CVE-xxxx-xxxx 值。我用它来提交这样的表单：

          "form[CVEID]" : ",".join(self.cve_information) if self.cve_information else "GENERIC-MAP-NOMATCH",

此表单仅对 CVE 值和错误输出执行验证，因为我的代码往往包含 RHSA 值。

【问题讨论】：

标签： python python-2.7 xpath html-parsing

【解决方案1】：

你可以使用包含：

h = """ <div id='references'>
            <b>References:</b>
            <a href='https://access.redhat.com/security/cve/CVE-2011-3256' target='_blank'>CVE-2011-3256&nbsp;<i class='icon-external-link'></i></a>
            <a href='https://rhn.redhat.com/errata/RHSA-2011-1402.html' target='_blank'>RHSA-2011-1402&nbsp;<i class='icon-external-link'></i></a><br />
        </div>"""

from lxml import html

xml = html.fromstring(h)

urls = xml.xpath('//div[@id="references"]/a[contains(@href, "CVE")]/@href')

或者如果你想忽略 RHSA 的 href，你可以使用 not contains：

urls = xml.xpath('//div[@id="references"]/a[not(contains(@href, "RHSA"))]/@href')

两者都会给你：

 ['https://access.redhat.com/security/cve/CVE-2011-3256']

【讨论】：

嗯，我想我没有正确解释我的问题。我正在使用 xpath 表达式来解析“引用”字段。然后我在其他地方使用“CVE-xxxx-xxxx”ID，这样它就可以是web.nvd.nist.gov/view/vuln/detail?vulnId=CVE-xxxx-xxxx。使用当前的解决方案，我得到 - 警告：无法找到有关 CVE CVE-2011-3256 的信息 - CVE-2011-3256 前面有一个额外的“CVE”
你想要CVE-2011-3256吗？如果它们总是在最后，只需在/ 上进行 rsplit 并提取，如果它们可以在任何地方，那么您需要正则表达式或拆分并使用 str.strartswith 找到您想要的子字符串
将 xpath 从 /@href 更改为 /text()
太棒了！谢谢。只是对其进行了更多编辑以获得我想要的内容。