Python如何从XML中提取所有URL链接

Python提取XML中URL的核心是用xml.etree.ElementTree或lxml解析并定位文本内容或href/src/url等属性中的HTTP/HTTPS链接，需去重、清洗、校验合法性并支持相对路径补全。

Python提取XML中的所有URL链接，核心是解析XML结构并定位包含URL的元素或属性。常用方法是用xml.etree.ElementTree（内置、轻量）或lxml（功能强、支持XPath和HTML容错）。URL通常出现在元素文本内容中（如https://example.com），或作为属性值（如），需根据实际XML格式灵活处理。

使用ElementTree提取文本中的URL

适用于URL直接写在标签内的场景（如、、等）。ElementTree可递归遍历所有元素，检查其文本内容是否符合URL格式。

• 用ET.iterparse()或ET.fromstring()加载XML
• 遍历所有元素，检查elem.text是否非空且以http://或https://开头
• 可配合re.match(r'^https?://', text.strip())做简单校验

使用XPath从属性中提取URL（推荐lxml）

当URL藏在属性里（如href、src、url），XPath表达式更精准高效。lxml支持完整XPath语法，比ElementTree更灵活。

• 安装：pip install lxml
• 常用XPath：//*[@href] | //*[@src] | //*[@url] 匹配含这些属性的任意元素
• 再用elem.get('href')等获取属性值，并过滤掉空值或非URL字符串

兼顾文本+属性，避免重复和无效链接

真实XML可能混合多种URL位置，还可能存在注释、CDATA、相对路径或空值。提取时建议统一去重、清洗和验证。

• 用set()自动去重
• 对每个候选字符串调用str.strip()，跳过空值和纯空白
• 用urllib.parse.urlparse()判断是否为合法URL（scheme存在且为http/https）
• 若需处理相对URL，可用urllib.parse.urljoin(base_url, rel_url)补全

一个简洁可用的示例代码

以下用lxml实现“文本+常见属性”双路提取，带基础校验：

from lxml import etree
from urllib.parse import urlparse
def extract_urls_from_xml(xml_source):
tree = etree.parse(xml_source) if hasattr(xml_source, 'read') else etree.fromstring(xml_source)
urls = set()
# 提取属性中的URL
for attr in ['href', 'src', 'url', 'xlink:href']:
    for elem in tree.xpath(f'//*[@{attr}]'):
        val = elem.get(attr, '').strip()
        if val and urlparse(val).scheme in ('http', 'https'):
            urls.add(val)

# 提取文本中的URL（仅检查直系文本，避免混入子元素内容）
for elem in tree.iter():
    if elem.text and elem.text.strip():
        text = elem.text.strip()
        if text.startswith(('http://', 'https://')):
            if urlparse(text).scheme in ('http', 'https'):
                urls.add(text)

return list(urls)
使用示例
xml_data = '''https://www./link/99efe6e00320edb6fac7ab90e845bb3e;
'''
print(extract_urls_from_xml(xml_data))					技术教程SEO





 上一篇 : 双主角!《如龙极3》官宣预购特典：带春日一番打群架 




 下一篇 : 怎么用AI创作音乐？零基础也能在5分钟内写出一首歌