使用Python ElementTree提取XML中content内的img src属性值

我能轻松获取Atom XML里的title和link，但不知道怎么从content节点中提取img的src属性值。

XML示例 #

<feed>
   <entry>
      <title>A title</title>
      <link rel="alternate" type="text/html" href="https://url.html"/>
      <content> <figure> <img alt="text" src="https://image.jpg" /> <p>some text</p></content>
   </entry>
</feed>

当前使用的Python代码 #

for entry in root.findall('{http://www.w3.org/2005/Atom}entry'):
    title = entry.find('{http://www.w3.org/2005/Atom}title').text
    link = entry.find('{http://www.w3.org/2005/Atom}link').attrib['href']
    img_url = entry.find('{http://www.w3.org/2005/Atom}src')
    arr.append([title, link, img_url])
    print(title, link)
return render(request, 'madxmlparser.html', {'arr':arr})

解决方案 #

你当前的代码直接查找src节点是错误的——src是img标签的属性，且content节点内的内容是HTML格式的文本，并非XML子节点。需要先提取content的文本内容，再用HTML解析工具提取img的src属性。

步骤：

1. 安装并导入BeautifulSoup库（未安装的话执行命令：pip install beautifulsoup4）
2. 获取content节点的文本内容
3. 用BeautifulSoup解析这段HTML，定位img标签并提取src属性

修改后的代码

from bs4 import BeautifulSoup

# 假设root是已解析的XML根节点
for entry in root.findall('{http://www.w3.org/2005/Atom}entry'):
    title = entry.find('{http://www.w3.org/2005/Atom}title').text
    link = entry.find('{http://www.w3.org/2005/Atom}link').attrib['href']
    
    # 获取content节点的文本内容，做空值容错
    content_elem = entry.find('{http://www.w3.org/2005/Atom}content')
    content_text = content_elem.text if content_elem else ''
    
    # 解析HTML内容
    soup = BeautifulSoup(content_text, 'html.parser')
    # 提取第一个img标签的src，做空值容错
    img_tag = soup.find('img')
    img_url = img_tag['src'] if img_tag else None
    
    arr.append([title, link, img_url])
    print(title, link, img_url)

return render(request, 'madxmlparser.html', {'arr':arr})

补充说明：

• 如果content内有多个img标签，可使用soup.find_all('img')获取所有标签，再遍历提取每个的src属性
• 代码中加入了空值判断，避免因content节点不存在或无img标签导致程序报错

内容的提问来源于stack exchange，提问作者metalboxhead