java - 如何使用 jsoup 检查网站上 pdf 文件的最后修改时间

Question

我想检查特定页面上 pdf 文件的最后修改时间。 pdf链接为http://www.nfib.com/Portals/0/PDF/sbet/sbet201402.pdf

我正在尝试这样做:

 Connection.Response rs2 = Jsoup.connect("http://www.nfib.com/Portals/0/PDF/sbet/sbet201402.pdf").execute();
    System.out.println("Header = " + rs2.header("Last-Modified"));

我收到此错误

UnsupportedMimeTypeException

Answer 1

如果不必使用 Jsoup 完成，您可以使用标准 URL 和 URLConnection 类，例如

URL url = new URL("http://www.nfib.com/Portals/0/PDF/sbet/sbet201402.pdf");
URLConnection connection = url.openConnection();
System.out.println("Header = " + connection.getHeaderField("Last-Modified"));

<小时/>

您需要记住，Jsoup 是为解析 HTML/XML 而设计的，因此默认情况下它需要以下类型

text/*, application/xml, or application/xhtml+xml

不是

application/pdf.

如果你看一下处理它的代码，它看起来像

if (contentType != null && !req.ignoreContentType() && (!(contentType.startsWith("text/") || contentType.startsWith("application/xml") || contentType.startsWith("application/xhtml+xml"))))
    throw new UnsupportedMimeTypeException("Unhandled content type. Must be text/*, application/xml, or application/xhtml+xml",
            contentType, req.url().toString());

但是 !req.ignoreContentType() 测试提示我们可以关闭需求或纯 XML/HTML 类型输入。为此，您只需添加

ignoreContentType(true)

您的连接设置，例如

Connection.Response rs2 = Jsoup.connect("http://www.nfib.com/Portals/0/PDF/sbet/sbet201402.pdf")
        .ignoreContentType(true)
        .execute();

并且您应该能够读取返回的 header

System.out.println("Header = " + rs2.header("Last-Modified"));

输出:

Header = Mon, 10 Feb 2014 22:54:15 GMT