7

我正在尝试创建一个应用程序来从网站上的多个页面中抓取内容。我正在使用 JSoup 进行连接。这是我的代码：

for (String locale : langList){
        sitemapPath = sitemapDomain+"/"+locale+"/"+sitemapName;
        try {
            Document doc = Jsoup.connect(sitemapPath)
                    .userAgent("Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.21 (KHTML, like Gecko) Chrome/19.0.1042.0 Safari/535.21")
                    .timeout(10000)
                    .get();

            Elements element = doc.select("loc");   
            for (Element urls : element) {
                System.out.println(urls.text());
                }
        } catch (IOException e) {
            System.out.println(e);
        }
    }

大多数时候一切都完美无缺。但是，我希望能够做一些事情。

首先，有时会返回 404 状态或 500 状态可能会返回 301。使用下面的代码，它只会打印错误并移至下一个 url。我想做的是尝试能够返回所有链接的 url 状态。如果页面连接打印一个200，如果没有打印相关的状态码。

其次，我有时会捕获此错误“java.net.SocketTimeoutException：读取超时”我可以增加我的超时但是我更愿意尝试连接 3 次，在第三次失败时我想将 URL 添加到“失败”数组所以我可以在以后重试失败的连接。

比我有更多知识的人可以帮助我吗？

4

2 回答 2

19

上面为我返回了一个 IOException 而不是 execute() 返回正确的状态代码。

使用JSoup-1.6.1我不得不将上面的代码更改为使用ignoreHttpErrors(true)。

现在，当代码返回响应而不是抛出异常时，您可以检查错误代码/消息。

Connection.Response response = null;
            try {
                response = Jsoup.connect(bad_url)
                        .userAgent("Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.46 Safari/536.5")
                        .timeout(100000)
                        .ignoreHttpErrors(true) 
                        .execute();
            } catch (IOException e) {
                System.out.println("io - "+e);
            }

            System.out.println("Status code = " + response.statusCode());   
            System.out.println("Status msg  = " + response.statusMessage());

输出：

Status code = 404
Status msg  = Not Found
于 2012-05-24T13:10:00.317 回答
16

对于您的第一个问题，您可以分两步进行连接/读取，停止询问中间的状态码，如下所示：

Connection.Response response = Jsoup.connect(sitemapPath)
                        .userAgent("Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.21 (KHTML, like Gecko) Chrome/19.0.1042.0 Safari/535.21")
                        .timeout(10000)
                        .execute();

int statusCode = response.statusCode();
if(statusCode == 200) {
    Document doc = connection.get();
    Elements element = doc.select("loc");   
    for (Element urls : element) {
        System.out.println(urls.text());
    }
}
else {
    System.out.println("received error code : " + statusCode);
}

请注意，如果无法连接到服务器、响应格式错误的 HTTP 等，该execute()方法将失败IOException，因此您需要处理该问题。但是，只要服务器说出有意义的话，您就可以读取状态码并继续。此外，如果您已要求 Jsoup 跟踪重定向，您将不会看到30x响应代码 b/c Jsoup 将设置从最后获取的页面获取的状态代码。

至于你的第二个问题，你所需要的只是一个围绕我刚刚给你的代码示例的循环，该代码示例包含一个 try/catch 块和SocketTimeoutException. 当您捕获异常时，循环应该继续。如果您能够获取数据，则返回或中断。如果您需要更多帮助，请大声喊叫！

于 2012-04-20T14:38:24.663 回答