_ Git - youtube-dl/blob - youtube_dl/extractor/common.py

   1 import base64
   2 import hashlib
   3 import json
   4 import os
   5 import re
   6 import socket
   7 import sys
   8 import netrc
   9 import xml.etree.ElementTree
  10
  11 from ..utils import (
  12     compat_http_client,
  13     compat_urllib_error,
  14     compat_urllib_parse_urlparse,
  15     compat_str,
  16
  17     clean_html,
  18     compiled_regex_type,
  19     ExtractorError,
  20     RegexNotFoundError,
  21     sanitize_filename,
  22     unescapeHTML,
  23 )
  24 _NO_DEFAULT = object()
  25
  26
  27 class InfoExtractor(object):
  28     """Information Extractor class.
  29
  30     Information extractors are the classes that, given a URL, extract
  31     information about the video (or videos) the URL refers to. This
  32     information includes the real video URL, the video title, author and
  33     others. The information is stored in a dictionary which is then
  34     passed to the FileDownloader. The FileDownloader processes this
  35     information possibly downloading the video to the file system, among
  36     other possible outcomes.
  37
  38     The dictionaries must include the following fields:
  39
  40     id:             Video identifier.
  41     title:          Video title, unescaped.
  42
  43     Additionally, it must contain either a formats entry or a url one:
  44
  45     formats:        A list of dictionaries for each format available, ordered
  46                     from worst to best quality.
  47
  48                     Potential fields:
  49                     * url        Mandatory. The URL of the video file
  50                     * ext        Will be calculated from url if missing
  51                     * format     A human-readable description of the format
  52                                  ("mp4 container with h264/opus").
  53                                  Calculated from the format_id, width, height.
  54                                  and format_note fields if missing.
  55                     * format_id  A short description of the format
  56                                  ("mp4_h264_opus" or "19").
  57                                 Technically optional, but strongly recommended.
  58                     * format_note Additional info about the format
  59                                  ("3D" or "DASH video")
  60                     * width      Width of the video, if known
  61                     * height     Height of the video, if known
  62                     * resolution Textual description of width and height
  63                     * tbr        Average bitrate of audio and video in KBit/s
  64                     * abr        Average audio bitrate in KBit/s
  65                     * acodec     Name of the audio codec in use
  66                     * vbr        Average video bitrate in KBit/s
  67                     * vcodec     Name of the video codec in use
  68                     * filesize   The number of bytes, if known in advance
  69                     * player_url SWF Player URL (used for rtmpdump).
  70                     * protocol   The protocol that will be used for the actual
  71                                  download, lower-case.
  72                                  "http", "https", "rtsp", "rtmp" or so.
  73                     * preference Order number of this format. If this field is
  74                                  present and not None, the formats get sorted
  75                                  by this field.
  76                                  -1 for default (order by other properties),
  77                                  -2 or smaller for less than default.
  78                     * quality    Order number of the video quality of this
  79                                  format, irrespective of the file format.
  80                                  -1 for default (order by other properties),
  81                                  -2 or smaller for less than default.
  82     url:            Final video URL.
  83     ext:            Video filename extension.
  84     format:         The video format, defaults to ext (used for --get-format)
  85     player_url:     SWF Player URL (used for rtmpdump).
  86
  87     The following fields are optional:
  88
  89     thumbnails:     A list of dictionaries (with the entries "resolution" and
  90                     "url") for the varying thumbnails
  91     thumbnail:      Full URL to a video thumbnail image.
  92     description:    One-line video description.
  93     uploader:       Full name of the video uploader.
  94     upload_date:    Video upload date (YYYYMMDD).
  95     uploader_id:    Nickname or id of the video uploader.
  96     location:       Physical location of the video.
  97     subtitles:      The subtitle file contents as a dictionary in the format
  98                     {language: subtitles}.
  99     duration:       Length of the video in seconds, as an integer.
 100     view_count:     How many users have watched the video on the platform.
 101     like_count:     Number of positive ratings of the video
 102     dislike_count:  Number of negative ratings of the video
 103     comment_count:  Number of comments on the video
 104     age_limit:      Age restriction for the video, as an integer (years)
 105     webpage_url:    The url to the video webpage, if given to youtube-dl it
 106                     should allow to get the same result again. (It will be set
 107                     by YoutubeDL if it's missing)
 108
 109     Unless mentioned otherwise, the fields should be Unicode strings.
 110
 111     Subclasses of this one should re-define the _real_initialize() and
 112     _real_extract() methods and define a _VALID_URL regexp.
 113     Probably, they should also be added to the list of extractors.
 114
 115     _real_extract() must return a *list* of information dictionaries as
 116     described above.
 117
 118     Finally, the _WORKING attribute should be set to False for broken IEs
 119     in order to warn the users and skip the tests.
 120     """
 121
 122     _ready = False
 123     _downloader = None
 124     _WORKING = True
 125
 126     def __init__(self, downloader=None):
 127         """Constructor. Receives an optional downloader."""
 128         self._ready = False
 129         self.set_downloader(downloader)
 130
 131     @classmethod
 132     def suitable(cls, url):
 133         """Receives a URL and returns True if suitable for this IE."""
 134
 135         # This does not use has/getattr intentionally - we want to know whether
 136         # we have cached the regexp for *this* class, whereas getattr would also
 137         # match the superclass
 138         if '_VALID_URL_RE' not in cls.__dict__:
 139             cls._VALID_URL_RE = re.compile(cls._VALID_URL)
 140         return cls._VALID_URL_RE.match(url) is not None
 141
 142     @classmethod
 143     def working(cls):
 144         """Getter method for _WORKING."""
 145         return cls._WORKING
 146
 147     def initialize(self):
 148         """Initializes an instance (authentication, etc)."""
 149         if not self._ready:
 150             self._real_initialize()
 151             self._ready = True
 152
 153     def extract(self, url):
 154         """Extracts URL information and returns it in list of dicts."""
 155         self.initialize()
 156         return self._real_extract(url)
 157
 158     def set_downloader(self, downloader):
 159         """Sets the downloader for this IE."""
 160         self._downloader = downloader
 161
 162     def _real_initialize(self):
 163         """Real initialization process. Redefine in subclasses."""
 164         pass
 165
 166     def _real_extract(self, url):
 167         """Real extraction process. Redefine in subclasses."""
 168         pass
 169
 170     @classmethod
 171     def ie_key(cls):
 172         """A string for getting the InfoExtractor with get_info_extractor"""
 173         return cls.__name__[:-2]
 174
 175     @property
 176     def IE_NAME(self):
 177         return type(self).__name__[:-2]
 178
 179     def _request_webpage(self, url_or_request, video_id, note=None, errnote=None, fatal=True):
 180         """ Returns the response handle """
 181         if note is None:
 182             self.report_download_webpage(video_id)
 183         elif note is not False:
 184             if video_id is None:
 185                 self.to_screen(u'%s' % (note,))
 186             else:
 187                 self.to_screen(u'%s: %s' % (video_id, note))
 188         try:
 189             return self._downloader.urlopen(url_or_request)
 190         except (compat_urllib_error.URLError, compat_http_client.HTTPException, socket.error) as err:
 191             if errnote is False:
 192                 return False
 193             if errnote is None:
 194                 errnote = u'Unable to download webpage'
 195             errmsg = u'%s: %s' % (errnote, compat_str(err))
 196             if fatal:
 197                 raise ExtractorError(errmsg, sys.exc_info()[2], cause=err)
 198             else:
 199                 self._downloader.report_warning(errmsg)
 200                 return False
 201
 202     def _download_webpage_handle(self, url_or_request, video_id, note=None, errnote=None, fatal=True):
 203         """ Returns a tuple (page content as string, URL handle) """
 204
 205         # Strip hashes from the URL (#1038)
 206         if isinstance(url_or_request, (compat_str, str)):
 207             url_or_request = url_or_request.partition('#')[0]
 208
 209         urlh = self._request_webpage(url_or_request, video_id, note, errnote, fatal)
 210         if urlh is False:
 211             assert not fatal
 212             return False
 213         content_type = urlh.headers.get('Content-Type', '')
 214         webpage_bytes = urlh.read()
 215         m = re.match(r'[a-zA-Z0-9_.-]+/[a-zA-Z0-9_.-]+\s*;\s*charset=(.+)', content_type)
 216         if m:
 217             encoding = m.group(1)
 218         else:
 219             m = re.search(br'<meta[^>]+charset=[\'"]?([^\'")]+)[ /\'">]',
 220                           webpage_bytes[:1024])
 221             if m:
 222                 encoding = m.group(1).decode('ascii')
 223             else:
 224                 encoding = 'utf-8'
 225         if self._downloader.params.get('dump_intermediate_pages', False):
 226             try:
 227                 url = url_or_request.get_full_url()
 228             except AttributeError:
 229                 url = url_or_request
 230             self.to_screen(u'Dumping request to ' + url)
 231             dump = base64.b64encode(webpage_bytes).decode('ascii')
 232             self._downloader.to_screen(dump)
 233         if self._downloader.params.get('write_pages', False):
 234             try:
 235                 url = url_or_request.get_full_url()
 236             except AttributeError:
 237                 url = url_or_request
 238             if len(url) > 200:
 239                 h = hashlib.md5(url).hexdigest()
 240                 url = url[:200 - len(h)] + h
 241             raw_filename = ('%s_%s.dump' % (video_id, url))
 242             filename = sanitize_filename(raw_filename, restricted=True)
 243             self.to_screen(u'Saving request to ' + filename)
 244             with open(filename, 'wb') as outf:
 245                 outf.write(webpage_bytes)
 246
 247         content = webpage_bytes.decode(encoding, 'replace')
 248         return (content, urlh)
 249
 250     def _download_webpage(self, url_or_request, video_id, note=None, errnote=None, fatal=True):
 251         """ Returns the data of the page as a string """
 252         res = self._download_webpage_handle(url_or_request, video_id, note, errnote, fatal)
 253         if res is False:
 254             return res
 255         else:
 256             content, _ = res
 257             return content
 258
 259     def _download_xml(self, url_or_request, video_id,
 260                       note=u'Downloading XML', errnote=u'Unable to download XML',
 261                       transform_source=None):
 262         """Return the xml as an xml.etree.ElementTree.Element"""
 263         xml_string = self._download_webpage(url_or_request, video_id, note, errnote)
 264         if transform_source:
 265             xml_string = transform_source(xml_string)
 266         return xml.etree.ElementTree.fromstring(xml_string.encode('utf-8'))
 267
 268     def _download_json(self, url_or_request, video_id,
 269                        note=u'Downloading JSON metadata',
 270                        errnote=u'Unable to download JSON metadata'):
 271         json_string = self._download_webpage(url_or_request, video_id, note, errnote)
 272         try:
 273             return json.loads(json_string)
 274         except ValueError as ve:
 275             raise ExtractorError('Failed to download JSON', cause=ve)
 276
 277     def report_warning(self, msg, video_id=None):
 278         idstr = u'' if video_id is None else u'%s: ' % video_id
 279         self._downloader.report_warning(
 280             u'[%s] %s%s' % (self.IE_NAME, idstr, msg))
 281
 282     def to_screen(self, msg):
 283         """Print msg to screen, prefixing it with '[ie_name]'"""
 284         self._downloader.to_screen(u'[%s] %s' % (self.IE_NAME, msg))
 285
 286     def report_extraction(self, id_or_name):
 287         """Report information extraction."""
 288         self.to_screen(u'%s: Extracting information' % id_or_name)
 289
 290     def report_download_webpage(self, video_id):
 291         """Report webpage download."""
 292         self.to_screen(u'%s: Downloading webpage' % video_id)
 293
 294     def report_age_confirmation(self):
 295         """Report attempt to confirm age."""
 296         self.to_screen(u'Confirming age')
 297
 298     def report_login(self):
 299         """Report attempt to log in."""
 300         self.to_screen(u'Logging in')
 301
 302     #Methods for following #608
 303     @staticmethod
 304     def url_result(url, ie=None, video_id=None):
 305         """Returns a url that points to a page that should be processed"""
 306         #TODO: ie should be the class used for getting the info
 307         video_info = {'_type': 'url',
 308                       'url': url,
 309                       'ie_key': ie}
 310         if video_id is not None:
 311             video_info['id'] = video_id
 312         return video_info
 313     @staticmethod
 314     def playlist_result(entries, playlist_id=None, playlist_title=None):
 315         """Returns a playlist"""
 316         video_info = {'_type': 'playlist',
 317                       'entries': entries}
 318         if playlist_id:
 319             video_info['id'] = playlist_id
 320         if playlist_title:
 321             video_info['title'] = playlist_title
 322         return video_info
 323
 324     def _search_regex(self, pattern, string, name, default=_NO_DEFAULT, fatal=True, flags=0):
 325         """
 326         Perform a regex search on the given string, using a single or a list of
 327         patterns returning the first matching group.
 328         In case of failure return a default value or raise a WARNING or a
 329         RegexNotFoundError, depending on fatal, specifying the field name.
 330         """
 331         if isinstance(pattern, (str, compat_str, compiled_regex_type)):
 332             mobj = re.search(pattern, string, flags)
 333         else:
 334             for p in pattern:
 335                 mobj = re.search(p, string, flags)
 336                 if mobj: break
 337
 338         if os.name != 'nt' and sys.stderr.isatty():
 339             _name = u'\033[0;34m%s\033[0m' % name
 340         else:
 341             _name = name
 342
 343         if mobj:
 344             # return the first matching group
 345             return next(g for g in mobj.groups() if g is not None)
 346         elif default is not _NO_DEFAULT:
 347             return default
 348         elif fatal:
 349             raise RegexNotFoundError(u'Unable to extract %s' % _name)
 350         else:
 351             self._downloader.report_warning(u'unable to extract %s; '
 352                 u'please report this issue on http://yt-dl.org/bug' % _name)
 353             return None
 354
 355     def _html_search_regex(self, pattern, string, name, default=_NO_DEFAULT, fatal=True, flags=0):
 356         """
 357         Like _search_regex, but strips HTML tags and unescapes entities.
 358         """
 359         res = self._search_regex(pattern, string, name, default, fatal, flags)
 360         if res:
 361             return clean_html(res).strip()
 362         else:
 363             return res
 364
 365     def _get_login_info(self):
 366         """
 367         Get the the login info as (username, password)
 368         It will look in the netrc file using the _NETRC_MACHINE value
 369         If there's no info available, return (None, None)
 370         """
 371         if self._downloader is None:
 372             return (None, None)
 373
 374         username = None
 375         password = None
 376         downloader_params = self._downloader.params
 377
 378         # Attempt to use provided username and password or .netrc data
 379         if downloader_params.get('username', None) is not None:
 380             username = downloader_params['username']
 381             password = downloader_params['password']
 382         elif downloader_params.get('usenetrc', False):
 383             try:
 384                 info = netrc.netrc().authenticators(self._NETRC_MACHINE)
 385                 if info is not None:
 386                     username = info[0]
 387                     password = info[2]
 388                 else:
 389                     raise netrc.NetrcParseError('No authenticators for %s' % self._NETRC_MACHINE)
 390             except (IOError, netrc.NetrcParseError) as err:
 391                 self._downloader.report_warning(u'parsing .netrc: %s' % compat_str(err))
 392
 393         return (username, password)
 394
 395     # Helper functions for extracting OpenGraph info
 396     @staticmethod
 397     def _og_regexes(prop):
 398         content_re = r'content=(?:"([^>]+?)"|\'(.+?)\')'
 399         property_re = r'(?:name|property)=[\'"]og:%s[\'"]' % re.escape(prop)
 400         template = r'<meta[^>]+?%s[^>]+?%s'
 401         return [
 402             template % (property_re, content_re),
 403             template % (content_re, property_re),
 404         ]
 405
 406     def _og_search_property(self, prop, html, name=None, **kargs):
 407         if name is None:
 408             name = 'OpenGraph %s' % prop
 409         escaped = self._search_regex(self._og_regexes(prop), html, name, flags=re.DOTALL, **kargs)
 410         if escaped is None:
 411             return None
 412         return unescapeHTML(escaped)
 413
 414     def _og_search_thumbnail(self, html, **kargs):
 415         return self._og_search_property('image', html, u'thumbnail url', fatal=False, **kargs)
 416
 417     def _og_search_description(self, html, **kargs):
 418         return self._og_search_property('description', html, fatal=False, **kargs)
 419
 420     def _og_search_title(self, html, **kargs):
 421         return self._og_search_property('title', html, **kargs)
 422
 423     def _og_search_video_url(self, html, name='video url', secure=True, **kargs):
 424         regexes = self._og_regexes('video')
 425         if secure: regexes = self._og_regexes('video:secure_url') + regexes
 426         return self._html_search_regex(regexes, html, name, **kargs)
 427
 428     def _html_search_meta(self, name, html, display_name=None):
 429         if display_name is None:
 430             display_name = name
 431         return self._html_search_regex(
 432             r'''(?ix)<meta
 433                     (?=[^>]+(?:itemprop|name|property)=["\']%s["\'])
 434                     [^>]+content=["\']([^"\']+)["\']''' % re.escape(name),
 435             html, display_name, fatal=False)
 436
 437     def _dc_search_uploader(self, html):
 438         return self._html_search_meta('dc.creator', html, 'uploader')
 439
 440     def _rta_search(self, html):
 441         # See http://www.rtalabel.org/index.php?content=howtofaq#single
 442         if re.search(r'(?ix)<meta\s+name="rating"\s+'
 443                      r'     content="RTA-5042-1996-1400-1577-RTA"',
 444                      html):
 445             return 18
 446         return 0
 447
 448     def _media_rating_search(self, html):
 449         # See http://www.tjg-designs.com/WP/metadata-code-examples-adding-metadata-to-your-web-pages/
 450         rating = self._html_search_meta('rating', html)
 451
 452         if not rating:
 453             return None
 454
 455         RATING_TABLE = {
 456             'safe for kids': 0,
 457             'general': 8,
 458             '14 years': 14,
 459             'mature': 17,
 460             'restricted': 19,
 461         }
 462         return RATING_TABLE.get(rating.lower(), None)
 463
 464     def _sort_formats(self, formats):
 465         def _formats_key(f):
 466             # TODO remove the following workaround
 467             from ..utils import determine_ext
 468             if not f.get('ext') and 'url' in f:
 469                 f['ext'] = determine_ext(f['url'])
 470
 471             preference = f.get('preference')
 472             if preference is None:
 473                 proto = f.get('protocol')
 474                 if proto is None:
 475                     proto = compat_urllib_parse_urlparse(f.get('url', '')).scheme
 476
 477                 preference = 0 if proto in ['http', 'https'] else -0.1
 478                 if f.get('ext') in ['f4f', 'f4m']:  # Not yet supported
 479                     preference -= 0.5
 480
 481             if f.get('vcodec') == 'none':  # audio only
 482                 if self._downloader.params.get('prefer_free_formats'):
 483                     ORDER = [u'aac', u'mp3', u'm4a', u'webm', u'ogg', u'opus']
 484                 else:
 485                     ORDER = [u'webm', u'opus', u'ogg', u'mp3', u'aac', u'm4a']
 486                 ext_preference = 0
 487                 try:
 488                     audio_ext_preference = ORDER.index(f['ext'])
 489                 except ValueError:
 490                     audio_ext_preference = -1
 491             else:
 492                 if self._downloader.params.get('prefer_free_formats'):
 493                     ORDER = [u'flv', u'mp4', u'webm']
 494                 else:
 495                     ORDER = [u'webm', u'flv', u'mp4']
 496                 try:
 497                     ext_preference = ORDER.index(f['ext'])
 498                 except ValueError:
 499                     ext_preference = -1
 500                 audio_ext_preference = 0
 501
 502             return (
 503                 preference,
 504                 f.get('quality') if f.get('quality') is not None else -1,
 505                 f.get('height') if f.get('height') is not None else -1,
 506                 f.get('width') if f.get('width') is not None else -1,
 507                 ext_preference,
 508                 f.get('tbr') if f.get('tbr') is not None else -1,
 509                 f.get('vbr') if f.get('vbr') is not None else -1,
 510                 f.get('abr') if f.get('abr') is not None else -1,
 511                 audio_ext_preference,
 512                 f.get('filesize') if f.get('filesize') is not None else -1,
 513                 f.get('format_id'),
 514             )
 515         formats.sort(key=_formats_key)
 516
 517
 518 class SearchInfoExtractor(InfoExtractor):
 519     """
 520     Base class for paged search queries extractors.
 521     They accept urls in the format _SEARCH_KEY(|all|[0-9]):{query}
 522     Instances should define _SEARCH_KEY and _MAX_RESULTS.
 523     """
 524
 525     @classmethod
 526     def _make_valid_url(cls):
 527         return r'%s(?P<prefix>|[1-9][0-9]*|all):(?P<query>[\s\S]+)' % cls._SEARCH_KEY
 528
 529     @classmethod
 530     def suitable(cls, url):
 531         return re.match(cls._make_valid_url(), url) is not None
 532
 533     def _real_extract(self, query):
 534         mobj = re.match(self._make_valid_url(), query)
 535         if mobj is None:
 536             raise ExtractorError(u'Invalid search query "%s"' % query)
 537
 538         prefix = mobj.group('prefix')
 539         query = mobj.group('query')
 540         if prefix == '':
 541             return self._get_n_results(query, 1)
 542         elif prefix == 'all':
 543             return self._get_n_results(query, self._MAX_RESULTS)
 544         else:
 545             n = int(prefix)
 546             if n <= 0:
 547                 raise ExtractorError(u'invalid download number %s for query "%s"' % (n, query))
 548             elif n > self._MAX_RESULTS:
 549                 self._downloader.report_warning(u'%s returns max %i results (you requested %i)' % (self._SEARCH_KEY, self._MAX_RESULTS, n))
 550                 n = self._MAX_RESULTS
 551             return self._get_n_results(query, n)
 552
 553     def _get_n_results(self, query, n):
 554         """Get a specified number of results for a query"""
 555         raise NotImplementedError("This method must be implemented by subclasses")
 556
 557     @property
 558     def SEARCH_KEY(self):
 559         return self._SEARCH_KEY