如果网页很大，JSOUP 无法下载完整 html。任何替代方案或任何解决方法？

Question

我试图获取 HTML 页面并解析信息。我刚刚发现有些页面使用 Jsoup 没有完全下载。我在命令行上使用 curl 命令进行了检查，然后下载了完整的页面。最初我认为它是特定于站点的，但后来我只是尝试使用 Jsoup 随机解析任何大网页，发现它没有下载完整的网页。我尝试指定用户代理和超时属性仍然无法下载。这是我试过的代码：

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.UnsupportedEncodingException;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.HashSet;
import java.util.Set;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class JsoupTest {
    public static void main(String[] args) throws MalformedURLException, UnsupportedEncodingException, IOException {
        String urlStr = "http://en.wikipedia.org/wiki/List_of_law_clerks_of_the_Supreme_Court_of_the_United_States";
        URL url = new URL(urlStr);
        String content = "";
        try (BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream(), "UTF-8"))) {
            for (String line; (line = reader.readLine()) != null;) {
                content += line;
            }
        }
        String article1 = Jsoup.connect(urlStr).get().text();
        String article2 = Jsoup.connect(urlStr).userAgent("Mozilla/5.0 (Windows; U; WindowsNT 5.1; en-US; rv1.8.1.6) Gecko/20070725 Firefox/2.0.0.6").referrer("http://www.google.com").timeout(30000).execute().parse().text();
        String article3 = Jsoup.parse(content).text();
        System.out.println("ARTICLE 1 : "+article1);
        System.out.println("ARTICLE 2 : "+article2);
        System.out.println("ARTICLE 3 : "+article3);
    }
}

在第 1 条和第 2 条中，当我使用 Jsoup 连接到网站时，我没有获得完整的信息，但是在使用 URL 连接时，我获得了完整的页面。所以基本上第 3 条是完整的，它是使用 URL 完成的。我试过 Jsoup 1.8.1 和 Jsoup 1.7.2

Answer 1

使用方法maxBodySize:

String article = Jsoup.connect(urlStr).maxBodySize(Integer.MAX_VALUE).get().text();

如果网页很大，JSOUP 无法下载完整 html。任何替代方案或任何解决方法？

JSOUP not downloading complete html if the webpage is big in size. Any alternatives to this or any workarounds?

java

html

html-parsing

jsoup