需用requests加User-Agent头获取Sitemap，再用xml.etree.ElementTree解析；遇命名空间须声明前缀字典，根为sitemapindex时需递归解析子链接，并用urljoin补全相对路径。
用 requests + xml.etree.ElementTree 读取并解析 Sitemap XML
绝大多数公开 Sitemap（如 https://example.com/sitemap.xml）是标准 XML 格式，无需第三方库就能解析。关键不是“能不能”，而是“怎么安全地读+正确地找 <loc>”。
常见错误：直接 urlopen 不加 headers 被 403 拒绝；或用 BeautifulSoup 解析 XML 导致嵌套错乱（它默认按 HTML 规则修复标签）。
- 必须加
User-Agent头，否则多数站点返回 403：headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"} - 用
xml.etree.ElementTree.parse()读本地文件，或用ET.fromstring(r.text)解析响应体（r = requests.get(...)） - Sitemap 可能嵌套（
<sitemapindex>包含多个<sitemap>），需先判断根节点是urlset还是sitemapindex
处理嵌套 Sitemap：递归抓取 sitemapindex 下的子 Sitemap
大型网站常用分片式 Sitemap，主文件是 sitemapindex，里面每个 <loc> 指向一个子 sitemap.xml（可能又是 index 或 urlset）。不递归就只能拿到几十个 URL。
注意：子 Sitemap 的 URL 可能是绝对路径，也可能是相对路径（如 /sitemap-posts.xml），需用 urllib.parse.urljoin() 补全。
立即学习“Python免费学习笔记（深入）”；
- 检查根元素：
root.tag == "sitemapindex"→ 进入递归分支；== "urlset"→ 直接提取<url>/<loc> - 每层递归前加简单延时（如
time.sleep(0.3)），避免触发风控 - 用集合（
set）去重，防止同一子 Sitemap 被多次引用
提取 <loc> 时绕过命名空间干扰
部分 Sitemap 声明了 XML 命名空间（如 xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"），此时直接 root.findall("url/loc") 返回空列表——因为 ElementTree 把带命名空间的标签当成了不同命名域。
解决方案不是删 XML 头，而是显式声明命名空间字典：
ns = {"sm": "http://www.sitemaps.org/schemas/sitemap/0.9"}
urls = [url.find("sm:loc", ns).text for url in root.findall("sm:url", ns)]
如果不确定命名空间 URI，可先打印 root.tag 看是否含 {...} 前缀，再提取括号内字符串作为 ns 的 value。
解析失败时快速定位是网络问题还是 XML 结构异常
报错 xml.etree.ElementTree.ParseError: not well-formed 不一定代表 XML 本身损坏，更可能是：
- HTTP 响应体实际是 HTML（如 404 页面、防火墙拦截页），用
r.headers.get("content-type")检查是否含xml - 响应被 gzip 压缩但未自动解压（
requests默认会解，但某些代理可能破坏 header）→ 打印len(r.content)和r.content[:100]看开头是不是乱码 - Sitemap 是 gzipped 文件（后缀
.xml.gz），需用gzip.decompress(r.content)再解析
真正复杂的点在于：Sitemap 规范允许混合 urlset 和 sitemapindex，甚至支持 <image:loc> 等扩展字段，但多数爬虫只需 <loc>。别过早抽象通用解析器，先写死处理这三种结构更稳。
