如何使用Python批量下载XML文件中所有图片链接指向的资源？

本文共计991个文字，预计阅读时间需要4分钟。

Python 的 `xml.etree.ElementTree` 库可以方便地处理XML文件，适用于解析和构建结构清晰的大量XML数据（如RSS、sitemap、自定义配置文件等）。关键在于如何准确地定位到图片链接——通常隐藏在 `src`、`href` 或 `xlink:href` 属性中，或者自定义标签中。

常见错误是直接搜 img 标签：XML 里根本没这个 HTML 标签，硬写 tree.findall('.//img') 会返回空列表。得先看原始 XML 长什么样，再决定 XPath 表达式。

• 用 tree.findall('.//*[@src]') 找所有带 src 属性的元素，再取 .get('src')
• 如果链接在命名空间里（比如 SVG 中的 xlink:href），必须声明命名空间：namespaces={'xlink': 'http://www.w3.org/1999/xlink'}，然后用 './/xlink:href' 配合 find()
• 避免用 text 提取链接：很多 XML 把 URL 放在属性里，不是标签文本内容

过滤和清洗提取出的链接，避开相对路径和无效协议

XML 里混着 ./images/logo.png、data:image/png;base64,...、mailto:xxx 很常见。不处理就直接丢给下载器，要么 404，要么报错。

重点不是“全量提取”，而是“只留能 requests.get() 的 HTTP/HTTPS 绝对 URL”。

立即学习“Python免费学习笔记（深入）”；

• 用 urllib.parse.urlparse(url) 检查 scheme 是否为 'http' 或 'https'
• 相对路径要补全：如果 XML 文件有已知 base URL（比如 https://example.com/feed.xml），用 urllib.parse.urljoin(base_url, relative_url)
• 跳过空值、javascript:、tel:、data: 开头的字符串——它们不是可下载的图片资源

用 requests 下载并保存图片，注意响应头和文件扩展名

拿到链接不等于能下成功。有些服务返回 Content-Type: image/jpeg 但后缀是 .png；有些返回 200 却是 HTML 登录页（反爬）；还有些大图需要加 User-Agent。

• 务必检查 response.status_code == 200，非 200 直接跳过或记录日志
• 从 response.headers.get('Content-Type') 推断真实类型（如 image/webp），比靠 URL 后缀更可靠
• 用 os.path.splitext(url)[1] 取后缀风险高：URL 可能无后缀（https://i.example.com/123），此时应 fallback 到 response.headers.get('Content-Type') 映射成 .jpg、.webp 等
• 下载前确保目标目录存在：os.makedirs(save_dir, exist_ok=True)

批量下载时控制并发和错误容忍，别让一个失败卡死全部

几十个链接串行下载太慢，但开 100 个线程又容易被封或触发连接池耗尽。关键是“稳”，不是“快”。

• 用 concurrent.futures.ThreadPoolExecutor(max_workers=5) 控制并发数，5 是多数网站能承受又不触发风控的平衡点
• 每个下载任务必须包在 try/except 里：requests.exceptions.RequestException 和 OSError（磁盘满、权限不足）都要捕获
• 失败链接记进一个列表，最后统一打印，别吞掉错误静默跳过
• 两次请求之间加 time.sleep(0.1)（可选）：对无反爬的小站没必要，但对 WordPress RSS 或某些 CMS 输出的 XML，轻度节流能显著降低 429

实际跑起来最常卡住的地方，是 XML 结构没提前看清楚就写死 XPath，或者把 base64 图片当真实链接去请求——这两处一错，后面全白忙。