我正试图从评论页面抓取用户对imdb影院电影的评分: (我的数据库中的电影数量约为600,000)。我使用jsoup来解析页面如下:(对不起,我没有写完整个代码,因为它太长了)
try {
//connecting to mysql db
ResultSet res = st
.executeQuery("SELECT id, title, production_year " +
"FROM title " +
"WHERE kind_id =1 " +
"LIMIT 0 , 100000");
while (res.next()){
.......
.......
String baseUrl = "http://www.imdb.com/search/title?release_date=" +
""+year+","+year+"&title="+movieName+"" +
"&title_type=feature,short,documentary,unknown";
Document doc = Jsoup.connect(baseUrl)
.userAgent("Mozilla")
.timeout(0).get();
.....
.....
//insert ratings into database
...
我测试了它的前100个,然后是前500个,也是我的数据库中的前2000个电影,它运行良好。但问题是,当我测试了100,000部电影时,我收到了这个错误:
org.jsoup.HttpStatusException: HTTP error fetching URL. Status=500, URL=http://www.imdb.com/search/title?release_date=1899,1899&title='Columbia'%20Close%20to%20the%20Wind&title_type=feature,short,documentary,unknown
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:449)
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:424)
at org.jsoup.helper.HttpConnection.execute(HttpConnection.java:178)
at org.jsoup.helper.HttpConnection.get(HttpConnection.java:167)
at imdb.main(imdb.java:47)
我搜索了很多这个错误,我发现这是一个服务器端错误,错误号为5xx。
然后我决定设置一个条件,当连接失败时,它会再尝试2次,然后如果仍然无法连接,则不会停止并转到下一个URL。因为我是java新手,所以我试图在stackoverflow中搜索类似的问题并阅读这些答案:
Exceptions while I am extracting data from a Web site
Jsoup error handling when couldn't connect to website
Handling connection errors and JSoup
但是,当我按照他们的建议尝试使用“Connection.Response”时,它会告诉我“Connection.Response无法解析为某种类型”。
我很感激有人可以帮助我,因为我只是一个新手,我知道这可能很简单,但我不知道如何解决它。
好吧,我可以通过添加“ignoreHttpError(true)”修复http错误状态500,如下所示:
org.jsoup.Connection con = Jsoup.connect(baseUrl).userAgent("Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.21 (KHTML, like Gecko) Chrome/19.0.1042.0 Safari/535.21");
con.timeout(180000).ignoreHttpErrors(true).followRedirects(true);
Response resp = con.execute();
Document doc = null;
if (resp.statusCode() == 200) {
doc = con.get();
......
希望它能帮助那些有同样错误的人。
然而,在抓取22907部电影(约12小时)的评论页面后,我又出现了另一个错误:
“READ TIMED OUT”。
我感谢任何修复此错误的建议。
答案 0 :(得分:12)
将我的评论升级为答案:
Connection.Response
是org.jsoup.Connection.Response
仅在有效的http代码(200)允许document
实例时,将您的通话分为3部分; Connection
,Response
,Document
因此,您上面代码的一部分被修改为:
while (res.next()){
.......
.......
String baseUrl = "http://www.imdb.com/search/title?release_date=" + ""
+ year + "," + year + "&title=" + movieName + ""
+ "&title_type=feature,short,documentary,unknown";
Connection con = Jsoup.connect(baseUrl).userAgent("Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.21 (KHTML, like Gecko) Chrome/19.0.1042.0 Safari/535.21").timeout(10000);
Connection.Response resp = con.execute();
Document doc = null;
if (resp.statusCode() == 200) {
doc = con.get();
....
}