从 xpath 中剥离信息？

Question

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格：

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

由于我的代码往往包含 RHSA 值，因此此表单仅对 CVE 值和错误执行验证。

Answer 1

您可以使用包含:

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，如果您想忽略 RHSA 的 href，您可以使用 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']

从 xpath 中剥离信息？

Strip information from xpath?

python

xpath

html-parsing

python-2.7