无法使用 Jsoup 解析 url 的完整 html

Posted 2023-03-28

【中文标题】无法使用 Jsoup 解析 url 的完整 html

【英文标题】：not able to parse complete html of a url using Jsoup

【发布时间】：2013-10-25 17:19:05

【问题描述】：

Jsoup 库未解析给定 url 的完整 html。 url的原始html中缺少一些部门。

有趣的事情： http://facebook.com/search.php?init=s:email&q=[e-mail]&type=users

如果你在Jsoup的官网http://try.jsoup.org/中给出上面提到的url 它通过获取正确显示了 url 的确切 html，但在使用 jsoup 库的程序中找不到相同的结果。

这是我的java代码：

String url="http://facebook.com/search.php?init=s:email&q=[e-mail]&type=users";

Document document = Jsoup.connect(url).userAgent("Mozilla/5.0 (Windows NT 6.2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.69 Safari/537.36").get();

String question =document.toString();
System.out.println(" whole content: "+question);

明确提到了他们官方网站中使用的正确 userAgent 但是，在结果中，我可以看到 70% 的原始 html 代码，但在中间不知何故我找不到几个分割标签，这是我想要的数据。

我试过了......没用......为什么文档中缺少几个 div 标签。

您可以直接获取网址并将其放入浏览器中，如果您登录到facebook，您可以看到响应为：“未找到您的查询的结果。 检查您的拼写或尝试其他术语。”这就是我在 jsoup 解析上述 url 的 html 时正在寻找的内容。

但不幸的是，这部分丢失了。实际上，此响应位于 div id：“#pagelet_search_no_results”中。我在解析的 html 中找不到具有此 id 的 div。我尝试了许多 jsoup 提供的方法，但没有运气。

【参考方案1】：

据我所知，Jsoup 通常将检索到的内容的大小限制为 1M。试试这个来获取完整的 html 源代码：

Document document = Jsoup.connect(url)
  .userAgent("Mozilla/5.0 (Windows NT 6.2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.69 Safari/537.36")
  .maxBodySize(0)
  .get();

maxBodySize(0) 删除了 1M 限制。 您可以在连接中设置其他有用的参数，例如超时或 cookie。

【讨论】：

嗨@luksch，感谢您的回复..但同样的问题仍然存在。解析后的内容中仍然缺少 ID 为“pagelet_search_no_results”的 div 标签。

谢谢。很有帮助的答案。

【参考方案2】：

你还应该设置一个大的超时时间，例如：

Document document = Jsoup.connect(url)
.header("Accept-Encoding", "gzip, deflate")
.userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0")
.maxBodySize(0)
.timeout(600000)
.get();