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

   1 # encoding: utf-8
   2
   3 import os
   4 import re
   5
   6 from .common import InfoExtractor
   7 from ..utils import (
   8     compat_urllib_error,
   9     compat_urllib_parse,
  10     compat_urllib_parse_urlparse,
  11     compat_urllib_request,
  12
  13     ExtractorError,
  14 )
  15 from .brightcove import BrightcoveIE
  16
  17
  18 class GenericIE(InfoExtractor):
  19     IE_DESC = u'Generic downloader that works on some sites'
  20     _VALID_URL = r'.*'
  21     IE_NAME = u'generic'
  22     _TESTS = [
  23         {
  24             u'url': u'http://www.hodiho.fr/2013/02/regis-plante-sa-jeep.html',
  25             u'file': u'13601338388002.mp4',
  26             u'md5': u'85b90ccc9d73b4acd9138d3af4c27f89',
  27             u'info_dict': {
  28                 u"uploader": u"www.hodiho.fr",
  29                 u"title": u"R\u00e9gis plante sa Jeep"
  30             }
  31         },
  32         {
  33             u'url': u'http://www.8tv.cat/8aldia/videos/xavier-sala-i-martin-aquesta-tarda-a-8-al-dia/',
  34             u'file': u'2371591881001.mp4',
  35             u'md5': u'9e80619e0a94663f0bdc849b4566af19',
  36             u'note': u'Test Brightcove downloads and detection in GenericIE',
  37             u'info_dict': {
  38                 u'title': u'Xavier Sala i Martín: “Un banc que no presta és un banc zombi que no serveix per a res”',
  39                 u'uploader': u'8TV',
  40                 u'description': u'md5:a950cc4285c43e44d763d036710cd9cd',
  41             }
  42         },
  43     ]
  44
  45     def report_download_webpage(self, video_id):
  46         """Report webpage download."""
  47         if not self._downloader.params.get('test', False):
  48             self._downloader.report_warning(u'Falling back on generic information extractor.')
  49         super(GenericIE, self).report_download_webpage(video_id)
  50
  51     def report_following_redirect(self, new_url):
  52         """Report information extraction."""
  53         self._downloader.to_screen(u'[redirect] Following redirect to %s' % new_url)
  54
  55     def _test_redirect(self, url):
  56         """Check if it is a redirect, like url shorteners, in case return the new url."""
  57         class HeadRequest(compat_urllib_request.Request):
  58             def get_method(self):
  59                 return "HEAD"
  60
  61         class HEADRedirectHandler(compat_urllib_request.HTTPRedirectHandler):
  62             """
  63             Subclass the HTTPRedirectHandler to make it use our
  64             HeadRequest also on the redirected URL
  65             """
  66             def redirect_request(self, req, fp, code, msg, headers, newurl):
  67                 if code in (301, 302, 303, 307):
  68                     newurl = newurl.replace(' ', '%20')
  69                     newheaders = dict((k,v) for k,v in req.headers.items()
  70                                       if k.lower() not in ("content-length", "content-type"))
  71                     return HeadRequest(newurl,
  72                                        headers=newheaders,
  73                                        origin_req_host=req.get_origin_req_host(),
  74                                        unverifiable=True)
  75                 else:
  76                     raise compat_urllib_error.HTTPError(req.get_full_url(), code, msg, headers, fp)
  77
  78         class HTTPMethodFallback(compat_urllib_request.BaseHandler):
  79             """
  80             Fallback to GET if HEAD is not allowed (405 HTTP error)
  81             """
  82             def http_error_405(self, req, fp, code, msg, headers):
  83                 fp.read()
  84                 fp.close()
  85
  86                 newheaders = dict((k,v) for k,v in req.headers.items()
  87                                   if k.lower() not in ("content-length", "content-type"))
  88                 return self.parent.open(compat_urllib_request.Request(req.get_full_url(),
  89                                                  headers=newheaders,
  90                                                  origin_req_host=req.get_origin_req_host(),
  91                                                  unverifiable=True))
  92
  93         # Build our opener
  94         opener = compat_urllib_request.OpenerDirector()
  95         for handler in [compat_urllib_request.HTTPHandler, compat_urllib_request.HTTPDefaultErrorHandler,
  96                         HTTPMethodFallback, HEADRedirectHandler,
  97                         compat_urllib_request.HTTPErrorProcessor, compat_urllib_request.HTTPSHandler]:
  98             opener.add_handler(handler())
  99
 100         response = opener.open(HeadRequest(url))
 101         if response is None:
 102             raise ExtractorError(u'Invalid URL protocol')
 103         new_url = response.geturl()
 104
 105         if url == new_url:
 106             return False
 107
 108         self.report_following_redirect(new_url)
 109         return new_url
 110
 111     def _real_extract(self, url):
 112         try:
 113             new_url = self._test_redirect(url)
 114             if new_url:
 115                 return [self.url_result(new_url)]
 116         except compat_urllib_error.HTTPError:
 117             # This may be a stupid server that doesn't like HEAD, our UA, or so
 118             pass
 119
 120         video_id = url.split('/')[-1]
 121         try:
 122             webpage = self._download_webpage(url, video_id)
 123         except ValueError:
 124             # since this is the last-resort InfoExtractor, if
 125             # this error is thrown, it'll be thrown here
 126             raise ExtractorError(u'Invalid URL: %s' % url)
 127
 128         self.report_extraction(video_id)
 129         # Look for BrightCove:
 130         m_brightcove = re.search(r'<object.+?class=([\'"]).*?BrightcoveExperience.*?\1.+?</object>', webpage, re.DOTALL)
 131         if m_brightcove is not None:
 132             self.to_screen(u'Brightcove video detected.')
 133             bc_url = BrightcoveIE._build_brighcove_url(m_brightcove.group())
 134             return self.url_result(bc_url, 'Brightcove')
 135
 136         # Start with something easy: JW Player in SWFObject
 137         mobj = re.search(r'flashvars: [\'"](?:.*&)?file=(http[^\'"&]*)', webpage)
 138         if mobj is None:
 139             # Broaden the search a little bit
 140             mobj = re.search(r'[^A-Za-z0-9]?(?:file|source)=(http[^\'"&]*)', webpage)
 141         if mobj is None:
 142             # Broaden the search a little bit: JWPlayer JS loader
 143             mobj = re.search(r'[^A-Za-z0-9]?file["\']?:\s*["\'](http[^\'"&]*)', webpage)
 144         if mobj is None:
 145             # Try to find twitter cards info
 146             mobj = re.search(r'<meta (?:property|name)="twitter:player:stream" (?:content|value)="(.+?)"', webpage)
 147         if mobj is None:
 148             # We look for Open Graph info:
 149             # We have to match any number spaces between elements, some sites try to align them (eg.: statigr.am)
 150             m_video_type = re.search(r'<meta.*?property="og:video:type".*?content="video/(.*?)"', webpage)
 151             # We only look in og:video if the MIME type is a video, don't try if it's a Flash player:
 152             if m_video_type is not None:
 153                 mobj = re.search(r'<meta.*?property="og:video".*?content="(.*?)"', webpage)
 154         if mobj is None:
 155             # HTML5 video
 156             mobj = re.search(r'<video[^<]*>.*?<source .*?src="([^"]+)"', webpage, flags=re.DOTALL)
 157         if mobj is None:
 158             raise ExtractorError(u'Invalid URL: %s' % url)
 159
 160         # It's possible that one of the regexes
 161         # matched, but returned an empty group:
 162         if mobj.group(1) is None:
 163             raise ExtractorError(u'Invalid URL: %s' % url)
 164
 165         video_url = compat_urllib_parse.unquote(mobj.group(1))
 166         if video_url.startswith('//'):
 167             video_url = compat_urllib_parse_urlparse(url).scheme + ':' + video_url
 168         if '://' not in video_url:
 169             video_url = url + ('' if url.endswith('/') else '/') + video_url
 170         video_id = os.path.basename(video_url)
 171
 172         # here's a fun little line of code for you:
 173         video_extension = os.path.splitext(video_id)[1][1:]
 174         video_id = os.path.splitext(video_id)[0]
 175
 176         # it's tempting to parse this further, but you would
 177         # have to take into account all the variations like
 178         #   Video Title - Site Name
 179         #   Site Name | Video Title
 180         #   Video Title - Tagline | Site Name
 181         # and so on and so forth; it's just not practical
 182         video_title = self._html_search_regex(r'<title>(.*)</title>',
 183             webpage, u'video title', default=u'video', flags=re.DOTALL)
 184
 185         # video uploader is domain name
 186         video_uploader = self._search_regex(r'(?:https?://)?([^/]*)/.*',
 187             url, u'video uploader')
 188
 189         return [{
 190             'id':       video_id,
 191             'url':      video_url,
 192             'uploader': video_uploader,
 193             'upload_date':  None,
 194             'title':    video_title,
 195             'ext':      video_extension,
 196         }]