我有类似这样的页面:
www.foo1.bar
www.foo2.bar
www.foo3.bar
.
.
www.foo100.bar
我正在使用库 jsoup 并使用线程同时连接到每个页面:
Thread matchThread = new Thread(task);
matchThread.start();
每个任务,像这样连接到页面,并解析 HTML:
Jsoup.connect("www.fooX.bar").timeout(0).get();
获取大量这些异常:
java.net.ConnectException: Connection timed out: connect
at java.net.PlainSocketImpl.socketConnect(Native Method)
at java.net.PlainSocketImpl.doConnect(PlainSocketImpl.java:351)
at java.net.PlainSocketImpl.connectToAddress(PlainSocketImpl.java:213)
at java.net.PlainSocketImpl.connect(PlainSocketImpl.java:200)
at java.net.SocksSocketImpl.connect(SocksSocketImpl.java:366)
at java.net.Socket.connect(Socket.java:529)
at sun.net.NetworkClient.doConnect(NetworkClient.java:158)
at sun.net.www.http.HttpClient.openServer(HttpClient.java:388)
at sun.net.www.http.HttpClient.openServer(HttpClient.java:523)
at sun.net.www.http.HttpClient.<init>(HttpClient.java:227)
at sun.net.www.http.HttpClient.New(HttpClient.java:300)
at sun.net.www.http.HttpClient.New(HttpClient.java:317)
at sun.net.www.protocol.http.HttpURLConnection.getNewHttpClient(HttpURLConnection.java:970)
at sun.net.www.protocol.http.HttpURLConnection.plainConnect(HttpURLConnection.java:911)
at sun.net.www.protocol.http.HttpURLConnection.connect(HttpURLConnection.java:836)
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:404)
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:391)
at org.jsoup.helper.HttpConnection.execute(HttpConnection.java:157)
at org.jsoup.helper.HttpConnection.get(HttpConnection.java:146)
jsoup 是否只允许 1 个线程同时运行?或者我做错了什么? 关于如何更快地连接到我的页面的任何建议,因为一个接一个地访问需要很长时间。
编辑:
所有700个线程都使用这个方法,也许这就是问题或者什么。这个方法可以处理这么多线程还是单例?
private static Document connect(String url) {
Document doc = null;
try {
doc = Jsoup.connect(url).timeout(0).get();
} catch (IOException e) {
System.out.println(url);
}
return doc;
}
编辑:整个线程代码
public class MatchWorker implements Callable<Match>{
private Element element;
public MatchWorker(Element element) {
this.element = element;
}
@Override
public Match call() throws Exception {
Match match = null;
Util.connectAndDoStuff();
return match;
}
}
我的 700 个元素:
Collection<Match> matches = new ArrayList<Match>();
Collection<Future<Match>> results = new ArrayList<Future<Match>>();
for (Element element : elements) {
MatchWorker matchWorker = new MatchWorker(element);
FutureTask<Match> task = new FutureTask<Match>(matchWorker);
results.add(task);
Thread matchThread = new Thread(task);
matchThread.start();
}
for(Future<Match> match : results) {
try {
matches.add(match.get());
} catch (Exception e) {
e.printStackTrace();
}
}
最佳答案
我尝试过这个:
ExecutorService executorService = Executors.newFixedThreadPool(5);
List<Future<Void>> handles = new ArrayList<Future<Void>>();
Future<Void> handle;
for (int i=0;i < 12; i++) {
handle = executorService.submit(new Callable<Void>() {
public Void call() throws Exception {
Document d = Jsoup.connect("http://www.google.hr").timeout(0).get();
System.out.println(d.title());
return null;
}
});
handles.add(handle);
}
for (Future<Void> h : handles) {
try {
h.get();
}
catch (Exception ex) {
ex.printStackTrace();
}
}
executorService.shutdownNow();
它几乎立即完成并打印正确的标题。也许您有防火墙问题? (“连接超时”表示根本无法访问服务器)
编辑:
我使用了 JSoup 1.7.1
编辑^2:
AFAIK,这应该证明关系 JSoup - Thread 没有问题,因为它最终使用线程..
编辑^3:
此外,如果您使用代理,here这是您可以设置代理设置的方式。
编辑^4:
public static Document connect(String url) {
Document doc = null;
try {
doc = Jsoup.connect(url).timeout(0).get();
} catch (IOException ex) {
ex.printStackTrace();
}
return doc;
}
并且重写了调用函数:
public Void call() throws Exception {
System.out.println(App.connect("http://www.google.hr").title());
return null;
}
给出相同的结果。我唯一能想到的是一些隐式静态同步,但这没有多大意义,因为存在超时异常:/请发布线程代码
编辑:
必须离开几个小时。这里我所有的三个类都重写了
仍然可以工作,速度较慢,但是可以工作。我绝对推荐使用固定线程池来提高性能。
但是,我认为这一定是网络问题。祝你好运:)
编辑:
连接超时意味着根本无法到达目标服务器。 AFAIK,这意味着(服务器从未发送/客户端从未收到)TCP SYN+ACK message .
首先可以得出的结论是目标服务器不在线,但有more possible causes to this problem ,其中之一可能是目标服务器请求过载(极端情况下为 (D)DoS attack )。
目前,您尝试了并行方法 - 每个请求都在其自己的线程中:
1)在 700 个线程中发出 700 个请求(实际上不是 700 个,而是您的操作系统可以承受的数量)
2) 通过 n<<700 个线程的线程池发出 700 个请求
首先,您可以尝试在每个请求中放入 0 - 10 秒的随机 sleep 形式
Thread.currentThread.sleep(new Random().nextInt(10000))
但鉴于目前的结果,这可能行不通。下一件事是将并行方法替换为顺序方法,正如您在评论中提到的那样 - 每个请求都从单个主线程的 for 循环内部一个接一个地运行。您也可以尝试设置随机 sleep 。
这是你可以采取的最温和(最慢)的方式,如果这不起作用,我不知道如何解决这个问题:(
编辑:
通过使用 5 个线程的线程池,我成功下载了 1141 场足球比赛的标题。
对于此类网站来说,保护其数据是合乎逻辑的,因此,当您进行开发和测试(使用重复调用尽可能多的线程运行)时,他们的系统很可能会识别出您的身份( r IP)作为一个爬虫,想要他们的所有数据,但他们显然不喜欢也不想要这样,所以他们禁止了你。他们只是决定甚至不拒绝你的请求,而是装死 - 因此连接超时。现在这是有道理的。唷:)
如果这是正确的,您应该能够通过代理获取数据,但要礼貌并使用 < 10 个线程的线程池:)
关于Java jsoup 使用线程不起作用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12759676/