如何修复 HTTP 错误获取 URL。爬行时Java中的状态= 500？

Question

我正在尝试从评论页面抓取用户对 imdb 电影的评分： （我数据库中的电影数量约为 600,000）。我使用jsoup解析页面如下：（对不起，我没有在这里写完整的代码，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
      ...

我测试了前 100 部，然后是前 500 部以及我数据库中的前 2000 部电影，它运行良好。但问题是，当我测试 100,000 部电影时，我得到了这个错误：

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，我发现它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，所以我尝试搜索类似的问题并在stackoverflow中阅读这些答案：

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，它告诉我“Connection.Response 无法解析为一种类型”。

如果有人可以帮助我，我将不胜感激，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)”来修复 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();
......

希望它可以帮助那些有同样错误的人。

但是，在爬取了 22907 部电影的评论页面（大约 12 小时）后，我又遇到了一个错误：
“读取超时”。

感谢任何解决此错误的建议。

Answer 1

将我的 cmets 升级为答案：

Connection.Response 是org.jsoup.Connection.Response

仅当存在有效的 http 代码 (200) 时才允许 document 实例，请将您的调用分为 3 个部分； Connection、Response、Document

因此，您上面的部分代码被修改为：

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();
                    ....
        }