java 网页解析工具包 Jsoup

本文主要是介绍java 网页解析工具包 Jsoup，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Jsoup是一个非常好的解析网页的包，用java开发的，提供了类似DOM，CSS选择器的方式来查找和提取文档中的内容。

相关资料如下：

下载地址：http://jsoup.org/download

中文文档资料：http://www.open-open.com/jsoup/

比较好的文档：http://www.ostools.net/apidocs/apidoc?api=jsoup-1.6.3

今天做了一个Jsoup解析网站的项目，使用Jsoup.connect(url).get()连接某网站时偶尔会出现

java.net.SocketTimeoutException:Read timed out异常。

原因是默认的Socket的延时比较短，而有些网站的响应速度比较慢，

所以会发生超时的情况。

解决方法：

链接的时候设定超时时间即可。

doc = Jsoup.connect(url).timeout(5000).get();

5000表示延时时间设置为5s。

测试代码如下：

1，不设定timeout时：

[java]  view plain copy print ?  
 package jsoupTest;  
   
 import java.io.IOException;  
   
 import org.jsoup.*;  
 import org.jsoup.helper.Validate;  
 import org.jsoup.nodes.Document;  
 import org.jsoup.nodes.Element;  
 import org.jsoup.select.Elements;  
   
 public class JsoupTest {  
     public static  void main(String[] args) throws IOException{  
     String url = "http://www.weather.com.cn/weather/101010400.shtml";  
     long start = System.currentTimeMillis();  
     Document doc=null;  
     try{  
         doc = Jsoup.connect(url).get();  
     }  
     catch(Exception e){  
         e.printStackTrace();  
     }  
     finally{  
         System.out.println("Time is:"+(System.currentTimeMillis()-start) + "ms");  
     }  
     Elements elem = doc.getElementsByTag("Title");  
     System.out.println("Title is:" +elem.text());  
     }     
 }  

有时发生超时：

java.net.SocketTimeoutException: Read timed out
at java.net.SocketInputStream.socketRead0(Native Method)
at java.net.SocketInputStream.read(Unknown Source)
at java.net.SocketInputStream.read(Unknown Source)
at java.io.BufferedInputStream.fill(Unknown Source)
at java.io.BufferedInputStream.read1(Unknown Source)
at java.io.BufferedInputStream.read(Unknown Source)
at sun.net.www.http.ChunkedInputStream.fastRead(Unknown Source)
at sun.net.www.http.ChunkedInputStream.read(Unknown Source)
at java.io.FilterInputStream.read(Unknown Source)
at sun.net.www.protocol.http.HttpURLConnection$HttpInputStream.read(Unknown Source)
at java.util.zip.InflaterInputStream.fill(Unknown Source)
at java.util.zip.InflaterInputStream.read(Unknown Source)
at java.util.zip.GZIPInputStream.read(Unknown Source)
at java.io.BufferedInputStream.read1(Unknown Source)
at java.io.BufferedInputStream.read(Unknown Source)
at java.io.FilterInputStream.read(Unknown Source)
at org.jsoup.helper.DataUtil.readToByteBuffer(DataUtil.java:113)
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:447)
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:393)
at org.jsoup.helper.HttpConnection.execute(HttpConnection.java:159)
at org.jsoup.helper.HttpConnection.get(HttpConnection.java:148)
at jsoupTest.JsoupTest.main(JsoupTest.java:17)
Time is:3885ms
Exception in thread "main" java.lang.NullPointerException
at jsoupTest.JsoupTest.main(JsoupTest.java:25)

2,设定了则一般不会超时

[java]  view plain copy print ?  
 package jsoupTest;  
   
 import java.io.IOException;  
   
 import org.jsoup.*;  
 import org.jsoup.helper.Validate;  
 import org.jsoup.nodes.Document;  
 import org.jsoup.nodes.Element;  
 import org.jsoup.select.Elements;  
   
 public class JsoupTest {  
     public static  void main(String[] args) throws IOException{  
     String url = "http://www.weather.com.cn/weather/101010400.shtml";  
     long start = System.currentTimeMillis();  
     Document doc=null;  
     try{  
         doc = Jsoup.connect(url).timeout(5000).get();  
     }  
     catch(Exception e){  
         e.printStackTrace();  
     }  
     finally{  
         System.out.println("Time is:"+(System.currentTimeMillis()-start) + "ms");  
     }  
     Elements elem = doc.getElementsByTag("Title");  
     System.out.println("Title is:" +elem.text());  
     }     
 }  