xml.etree.elementtree解析xml需先分析结构，用findall('.//*[@src]')或带命名空间的'.//xlink:href'提取src/href链接，再过滤http/https绝对url、补全相对路径、下载时校验状态码与content-type、控制并发并捕获异常。
用 xml.etree.ElementTree 解析 XML 并提取 img 或 href 属性里的链接
Python 自带的 xml.etree.ElementTree 足够应付绝大多数结构清晰的 XML（比如 RSS、sitemap、自定义配置文件）。关键不是“能不能”，而是“怎么准确定位到图片链接”——它通常藏在 src、href、xlink:href 或自定义标签如 <image></image> 的属性里。
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”。
- 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
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
