如何提取RSS中的媒体内容？

RSS作为常用的内容订阅格式，很多站点会通过它推送文章、音视频等内容，其中媒体内容的提取是很多内容聚合类应用的核心需求。不同RSS源的媒体内容存放位置差异较大，有的放在description字段的HTML里，有的放在专门的media命名空间标签中，需要针对性的处理方案。

RSS中媒体内容的常见存放形式

要提取媒体内容，首先需要了解RSS中媒体内容的常见存储方式，主要有以下几类：

• 放在<description>或<content:encoded>字段的HTML代码里，以<img>、<video>、<audio>标签的形式存在
• 遵循Media RSS规范，使用<media:content>、<media:thumbnail>等带命名空间的标签存储
• 部分源会把媒体链接直接放在<enclosure>标签中，该标签常用于音频、视频等大文件的推送

基础提取方案：使用feedparser解析RSS

feedparser是Python中常用的RSS解析库，可以自动处理不同格式的RSS、Atom源，还能自动解析命名空间，大幅降低解析复杂度。首先安装该库：

# 安装feedparser库
pip install feedparser

解析RSS源并获取基础内容的代码示例如下：

import feedparser

# 解析RSS源，这里使用测试用的RSS地址
feed = feedparser.parse("http://ipipp.com/rss/test_feed.xml")

# 遍历所有文章条目
for entry in feed.entries:
    print("文章标题：", entry.get("title"))
    print("文章链接：", entry.get("link"))
    # 获取描述内容，可能包含HTML格式的媒体标签
    desc = entry.get("description", "")
    # 获取content命名空间下的完整内容
    content = entry.get("content", [{}])[0].get("value", "")

提取不同形式的媒体内容

1. 提取enclosure标签中的媒体

<enclosure>标签是RSS中专门用来附带媒体文件的标签，通常包含url、type、length等属性，提取逻辑最简单：

import feedparser

feed = feedparser.parse("http://ipipp.com/rss/test_feed.xml")

for entry in feed.entries:
    # 检查是否存在enclosure属性
    if "enclosures" in entry:
        for enclosure in entry.enclosures:
            media_url = enclosure.get("url")
            media_type = enclosure.get("type")
            if media_url:
                print(f"找到enclosure媒体：{media_url}，类型：{media_type}")

2. 提取Media RSS命名空间标签的内容

很多RSS源遵循Media RSS规范，使用<media:content>等标签存储媒体，feedparser会自动将这些标签解析为条目的属性：

import feedparser

feed = feedparser.parse("http://ipipp.com/rss/test_feed.xml")

for entry in feed.entries:
    # 提取media:content标签内容
    media_content = entry.get("media_content", [])
    for media in media_content:
        media_url = media.get("url")
        media_medium = media.get("medium")  # image/video/audio等
        if media_url:
            print(f"找到media标签媒体：{media_url}，类型：{media_medium}")
    
    # 提取media:thumbnail缩略图
    thumbnails = entry.get("media_thumbnail", [])
    for thumb in thumbnails:
        thumb_url = thumb.get("url")
        if thumb_url:
            print(f"找到缩略图：{thumb_url}")

3. 从HTML内容中提取媒体标签

如果媒体内容存放在<description>或<content:encoded>的HTML里，需要解析HTML提取对应的标签，这里可以结合正则表达式或者HTML解析库处理，以下是用正则表达式提取图片链接的示例：

import feedparser
import re

feed = feedparser.parse("http://ipipp.com/rss/test_feed.xml")

# 匹配img标签的src属性的正则
img_pattern = re.compile(r'<img[^>]+src=["'](.*?)["'][^>]*>')
# 匹配video标签的src属性
video_pattern = re.compile(r'<video[^>]+src=["'](.*?)["'][^>]*>')
# 匹配audio标签的src属性
audio_pattern = re.compile(r'<audio[^>]+src=["'](.*?)["'][^>]*>')

for entry in feed.entries:
    content = entry.get("content", [{}])[0].get("value", "") or entry.get("description", "")
    # 提取所有图片链接
    img_urls = img_pattern.findall(content)
    # 提取所有视频链接
    video_urls = video_pattern.findall(content)
    # 提取所有音频链接
    audio_urls = audio_pattern.findall(content)
    
    if img_urls:
        print(f"文章{entry.get('title')}中的图片：{img_urls}")
    if video_urls:
        print(f"文章{entry.get('title')}中的视频：{video_urls}")
    if audio_urls:
        print(f"文章{entry.get('title')}中的音频：{audio_urls}")

注意事项

• 不同RSS源的媒体标签属性可能有差异，比如有的<img>标签用data-src存储真实链接，需要根据实际情况调整正则规则
• 部分RSS源可能有访问限制，解析时建议添加超时处理，避免程序卡死
• 提取到的媒体链接建议做去重处理，避免同一篇文章重复提取相同的媒体内容
• 如果处理大量RSS源，建议添加异常捕获，避免单个源解析失败影响整体流程

提取RSS媒体内容的核心是先明确目标源的媒体存储格式，再选择对应的解析方式，优先使用feedparser处理标准标签，再针对性处理HTML内的媒体标签，就能覆盖绝大多数场景的需求。

RSS媒体内容提取XML解析feedparser正则表达式修改时间：2026-07-18 14:39:28