如何从XML feed中导出并批量下载全部JPG格式图片

下面提供两种可直接落地的方案，适配不同使用场景：

方案1：Python 实现（适配全平台，容错性强，适合新手） #

适合需要自定义逻辑（比如重命名、异常重试、进度展示）的场景，8000张图片的处理压力很小。

前置依赖安装 #

执行命令安装所需库：

pip install lxml requests tqdm

参考代码 #

import os
import time
from lxml import etree
import requests
from tqdm import tqdm

# 配置项
XML_PATH = "你的feed文件路径.xml"
SAVE_DIR = "./downloaded_images"
REQUEST_INTERVAL = 0.2  # 请求间隔，单位秒，避免触发反爬
MAX_RETRY = 3

os.makedirs(SAVE_DIR, exist_ok=True)

# 解析XML提取所有图片链接
tree = etree.parse(XML_PATH)
img_urls = tree.xpath("//IMGURL/text()")
# 清洗CDATA里的链接，过滤出JPG格式
clean_urls = []
for url in img_urls:
    stripped = url.strip()
    if stripped.lower().endswith(".jpg"):
        clean_urls.append(stripped)
print(f"共提取到{len(clean_urls)}张JPG图片")

# 批量下载
fail_list = []
for url in tqdm(clean_urls, desc="下载进度"):
    file_name = url.split("/")[-1]
    save_path = os.path.join(SAVE_DIR, file_name)
    # 跳过已下载的文件
    if os.path.exists(save_path):
        continue
    # 重试逻辑
    success = False
    for _ in range(MAX_RETRY):
        try:
            resp = requests.get(url, timeout=10)
            if resp.status_code == 200:
                with open(save_path, "wb") as f:
                    f.write(resp.content)
                success = True
                break
        except Exception as e:
            time.sleep(1)
    if not success:
        fail_list.append(url)
    time.sleep(REQUEST_INTERVAL)

# 输出失败的链接方便后续重试
if fail_list:
    print(f"以下{len(fail_list)}张图片下载失败，可单独重试：")
    for u in fail_list:
        print(u)

方案2：Shell 命令行实现（适配Linux/macOS，无需额外编程环境） #

适合不想写代码、环境本身支持shell命令的场景，操作更快捷。

1. 第一步提取所有JPG链接存为列表文件

# 用xmllint解析XML提取IMGURL内容，过滤出JPG链接
xmllint --xpath '//IMGURL/text()' 你的feed文件路径.xml | grep -oE 'https?://[^[:space:]]+\.jpg' > img_urls.txt

2. 第二步批量下载所有图片

# 用wget批量下载，自动跳过重复、失败重试、设置请求间隔
wget -i img_urls.txt -P ./downloaded_images/ --wait=0.2 --random-wait --tries=3 --no-clobber

参数说明：

• -i img_urls.txt：从指定文件读取下载链接
• -P ./downloaded_images/：指定图片保存目录
• --wait=0.2：请求间隔0.2秒，避免触发反爬
• --tries=3：单张图片最多重试3次
• --no-clobber：跳过已下载的文件，避免重复下载浪费带宽

通用注意事项 #

• 首次运行可以先从提取到的链接里挑10个测试，确认解析逻辑、下载路径、图片完整性都没问题再跑全量任务
• 如果XML文件大小超过1G，Python解析建议用etree.iterparse渐进式加载，避免一次性加载整个文件导致内存溢出
• 下载失败的链接可以单独整理后再次执行下载，不需要全量重新跑

内容的提问来源于stack exchange，提问作者hajdy