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

   1 from __future__ import unicode_literals
   2
   3 import itertools
   4 import json
   5 import os
   6 import re
   7 import subprocess
   8 import tempfile
   9
  10 from .common import InfoExtractor
  11 from ..compat import compat_str
  12 from ..utils import (
  13     check_executable,
  14     ExtractorError,
  15     get_element_by_attribute,
  16     int_or_none,
  17     lowercase_escape,
  18     std_headers,
  19     try_get,
  20 )
  21
  22
  23 class InstagramIE(InfoExtractor):
  24     _VALID_URL = r'(?P<url>https?://(?:www\.)?instagram\.com/p/(?P<id>[^/?#&]+))'
  25     _TESTS = [{
  26         'url': 'https://instagram.com/p/aye83DjauH/?foo=bar#abc',
  27         'md5': '0d2da106a9d2631273e192b372806516',
  28         'info_dict': {
  29             'id': 'aye83DjauH',
  30             'ext': 'mp4',
  31             'title': 'Video by naomipq',
  32             'description': 'md5:1f17f0ab29bd6fe2bfad705f58de3cb8',
  33             'thumbnail': r're:^https?://.*\.jpg',
  34             'timestamp': 1371748545,
  35             'upload_date': '20130620',
  36             'uploader_id': 'naomipq',
  37             'uploader': 'Naomi Leonor Phan-Quang',
  38             'like_count': int,
  39             'comment_count': int,
  40             'comments': list,
  41         },
  42     }, {
  43         # missing description
  44         'url': 'https://www.instagram.com/p/BA-pQFBG8HZ/?taken-by=britneyspears',
  45         'info_dict': {
  46             'id': 'BA-pQFBG8HZ',
  47             'ext': 'mp4',
  48             'title': 'Video by britneyspears',
  49             'thumbnail': r're:^https?://.*\.jpg',
  50             'timestamp': 1453760977,
  51             'upload_date': '20160125',
  52             'uploader_id': 'britneyspears',
  53             'uploader': 'Britney Spears',
  54             'like_count': int,
  55             'comment_count': int,
  56             'comments': list,
  57         },
  58         'params': {
  59             'skip_download': True,
  60         },
  61     }, {
  62         # multi video post
  63         'url': 'https://www.instagram.com/p/BQ0eAlwhDrw/',
  64         'playlist': [{
  65             'info_dict': {
  66                 'id': 'BQ0dSaohpPW',
  67                 'ext': 'mp4',
  68                 'title': 'Video 1',
  69             },
  70         }, {
  71             'info_dict': {
  72                 'id': 'BQ0dTpOhuHT',
  73                 'ext': 'mp4',
  74                 'title': 'Video 2',
  75             },
  76         }, {
  77             'info_dict': {
  78                 'id': 'BQ0dT7RBFeF',
  79                 'ext': 'mp4',
  80                 'title': 'Video 3',
  81             },
  82         }],
  83         'info_dict': {
  84             'id': 'BQ0eAlwhDrw',
  85             'title': 'Post by instagram',
  86             'description': 'md5:0f9203fc6a2ce4d228da5754bcf54957',
  87         },
  88     }, {
  89         'url': 'https://instagram.com/p/-Cmh1cukG2/',
  90         'only_matching': True,
  91     }, {
  92         'url': 'http://instagram.com/p/9o6LshA7zy/embed/',
  93         'only_matching': True,
  94     }]
  95
  96     @staticmethod
  97     def _extract_embed_url(webpage):
  98         mobj = re.search(
  99             r'<iframe[^>]+src=(["\'])(?P<url>(?:https?:)?//(?:www\.)?instagram\.com/p/[^/]+/embed.*?)\1',
 100             webpage)
 101         if mobj:
 102             return mobj.group('url')
 103
 104         blockquote_el = get_element_by_attribute(
 105             'class', 'instagram-media', webpage)
 106         if blockquote_el is None:
 107             return
 108
 109         mobj = re.search(
 110             r'<a[^>]+href=([\'"])(?P<link>[^\'"]+)\1', blockquote_el)
 111         if mobj:
 112             return mobj.group('link')
 113
 114     def _real_extract(self, url):
 115         mobj = re.match(self._VALID_URL, url)
 116         video_id = mobj.group('id')
 117         url = mobj.group('url')
 118
 119         webpage = self._download_webpage(url, video_id)
 120
 121         (video_url, description, thumbnail, timestamp, uploader,
 122          uploader_id, like_count, comment_count, comments, height,
 123          width) = [None] * 11
 124
 125         shared_data = self._parse_json(
 126             self._search_regex(
 127                 r'window\._sharedData\s*=\s*({.+?});',
 128                 webpage, 'shared data', default='{}'),
 129             video_id, fatal=False)
 130         if shared_data:
 131             media = try_get(
 132                 shared_data,
 133                 (lambda x: x['entry_data']['PostPage'][0]['graphql']['shortcode_media'],
 134                  lambda x: x['entry_data']['PostPage'][0]['media']),
 135                 dict)
 136             if media:
 137                 video_url = media.get('video_url')
 138                 height = int_or_none(media.get('dimensions', {}).get('height'))
 139                 width = int_or_none(media.get('dimensions', {}).get('width'))
 140                 description = try_get(
 141                     media, lambda x: x['edge_media_to_caption']['edges'][0]['node']['text'],
 142                     compat_str) or media.get('caption')
 143                 thumbnail = media.get('display_src')
 144                 timestamp = int_or_none(media.get('taken_at_timestamp') or media.get('date'))
 145                 uploader = media.get('owner', {}).get('full_name')
 146                 uploader_id = media.get('owner', {}).get('username')
 147
 148                 def get_count(key, kind):
 149                     return int_or_none(try_get(
 150                         media, (lambda x: x['edge_media_%s' % key]['count'],
 151                                 lambda x: x['%ss' % kind]['count'])))
 152                 like_count = get_count('preview_like', 'like')
 153                 comment_count = get_count('to_comment', 'comment')
 154
 155                 comments = [{
 156                     'author': comment.get('user', {}).get('username'),
 157                     'author_id': comment.get('user', {}).get('id'),
 158                     'id': comment.get('id'),
 159                     'text': comment.get('text'),
 160                     'timestamp': int_or_none(comment.get('created_at')),
 161                 } for comment in media.get(
 162                     'comments', {}).get('nodes', []) if comment.get('text')]
 163                 if not video_url:
 164                     edges = try_get(
 165                         media, lambda x: x['edge_sidecar_to_children']['edges'],
 166                         list) or []
 167                     if edges:
 168                         entries = []
 169                         for edge_num, edge in enumerate(edges, start=1):
 170                             node = try_get(edge, lambda x: x['node'], dict)
 171                             if not node:
 172                                 continue
 173                             node_video_url = try_get(node, lambda x: x['video_url'], compat_str)
 174                             if not node_video_url:
 175                                 continue
 176                             entries.append({
 177                                 'id': node.get('shortcode') or node['id'],
 178                                 'title': 'Video %d' % edge_num,
 179                                 'url': node_video_url,
 180                                 'thumbnail': node.get('display_url'),
 181                                 'width': int_or_none(try_get(node, lambda x: x['dimensions']['width'])),
 182                                 'height': int_or_none(try_get(node, lambda x: x['dimensions']['height'])),
 183                                 'view_count': int_or_none(node.get('video_view_count')),
 184                             })
 185                         return self.playlist_result(
 186                             entries, video_id,
 187                             'Post by %s' % uploader_id if uploader_id else None,
 188                             description)
 189
 190         if not video_url:
 191             video_url = self._og_search_video_url(webpage, secure=False)
 192
 193         formats = [{
 194             'url': video_url,
 195             'width': width,
 196             'height': height,
 197         }]
 198
 199         if not uploader_id:
 200             uploader_id = self._search_regex(
 201                 r'"owner"\s*:\s*{\s*"username"\s*:\s*"(.+?)"',
 202                 webpage, 'uploader id', fatal=False)
 203
 204         if not description:
 205             description = self._search_regex(
 206                 r'"caption"\s*:\s*"(.+?)"', webpage, 'description', default=None)
 207             if description is not None:
 208                 description = lowercase_escape(description)
 209
 210         if not thumbnail:
 211             thumbnail = self._og_search_thumbnail(webpage)
 212
 213         return {
 214             'id': video_id,
 215             'formats': formats,
 216             'ext': 'mp4',
 217             'title': 'Video by %s' % uploader_id,
 218             'description': description,
 219             'thumbnail': thumbnail,
 220             'timestamp': timestamp,
 221             'uploader_id': uploader_id,
 222             'uploader': uploader,
 223             'like_count': like_count,
 224             'comment_count': comment_count,
 225             'comments': comments,
 226         }
 227
 228
 229 class InstagramUserIE(InfoExtractor):
 230     _VALID_URL = r'https?://(?:www\.)?instagram\.com/(?P<id>[^/]{2,})/?(?:$|[?#])'
 231     IE_DESC = 'Instagram user profile'
 232     IE_NAME = 'instagram:user'
 233     _TEST = {
 234         'url': 'https://instagram.com/porsche',
 235         'info_dict': {
 236             'id': 'porsche',
 237             'title': 'porsche',
 238         },
 239         'playlist_count': 5,
 240         'params': {
 241             'extract_flat': True,
 242             'skip_download': True,
 243             'playlistend': 5,
 244         }
 245     }
 246
 247     _SIGN_CODE = '''
 248 "use strict";
 249 function i(e, t) {
 250     var r = (65535 & e) + (65535 & t);
 251     return (e >> 16) + (t >> 16) + (r >> 16) << 16 | 65535 & r
 252 }
 253 function a(e, t, r, n, o, a) {
 254     return i((s = i(i(t, e), i(n, a))) << (c = o) | s >>> 32 - c, r);
 255     var s, c
 256 }
 257 function s(e, t, r, n, o, i, s) {
 258     return a(t & r | ~t & n, e, t, o, i, s)
 259 }
 260 function c(e, t, r, n, o, i, s) {
 261     return a(t & n | r & ~n, e, t, o, i, s)
 262 }
 263 function u(e, t, r, n, o, i, s) {
 264     return a(t ^ r ^ n, e, t, o, i, s)
 265 }
 266 function l(e, t, r, n, o, i, s) {
 267     return a(r ^ (t | ~n), e, t, o, i, s)
 268 }
 269 function p(e, t) {
 270     var r, n, o, a, p;
 271     e[t >> 5] |= 128 << t % 32,
 272     e[14 + (t + 64 >>> 9 << 4)] = t;
 273     var d = 1732584193
 274       , f = -271733879
 275       , h = -1732584194
 276       , g = 271733878;
 277     for (r = 0; r < e.length; r += 16)
 278         n = d,
 279         o = f,
 280         a = h,
 281         p = g,
 282         f = l(f = l(f = l(f = l(f = u(f = u(f = u(f = u(f = c(f = c(f = c(f = c(f = s(f = s(f = s(f = s(f, h = s(h, g = s(g, d = s(d, f, h, g, e[r], 7, -680876936), f, h, e[r + 1], 12, -389564586), d, f, e[r + 2], 17, 606105819), g, d, e[r + 3], 22, -1044525330), h = s(h, g = s(g, d = s(d, f, h, g, e[r + 4], 7, -176418897), f, h, e[r + 5], 12, 1200080426), d, f, e[r + 6], 17, -1473231341), g, d, e[r + 7], 22, -45705983), h = s(h, g = s(g, d = s(d, f, h, g, e[r + 8], 7, 1770035416), f, h, e[r + 9], 12, -1958414417), d, f, e[r + 10], 17, -42063), g, d, e[r + 11], 22, -1990404162), h = s(h, g = s(g, d = s(d, f, h, g, e[r + 12], 7, 1804603682), f, h, e[r + 13], 12, -40341101), d, f, e[r + 14], 17, -1502002290), g, d, e[r + 15], 22, 1236535329), h = c(h, g = c(g, d = c(d, f, h, g, e[r + 1], 5, -165796510), f, h, e[r + 6], 9, -1069501632), d, f, e[r + 11], 14, 643717713), g, d, e[r], 20, -373897302), h = c(h, g = c(g, d = c(d, f, h, g, e[r + 5], 5, -701558691), f, h, e[r + 10], 9, 38016083), d, f, e[r + 15], 14, -660478335), g, d, e[r + 4], 20, -405537848), h = c(h, g = c(g, d = c(d, f, h, g, e[r + 9], 5, 568446438), f, h, e[r + 14], 9, -1019803690), d, f, e[r + 3], 14, -187363961), g, d, e[r + 8], 20, 1163531501), h = c(h, g = c(g, d = c(d, f, h, g, e[r + 13], 5, -1444681467), f, h, e[r + 2], 9, -51403784), d, f, e[r + 7], 14, 1735328473), g, d, e[r + 12], 20, -1926607734), h = u(h, g = u(g, d = u(d, f, h, g, e[r + 5], 4, -378558), f, h, e[r + 8], 11, -2022574463), d, f, e[r + 11], 16, 1839030562), g, d, e[r + 14], 23, -35309556), h = u(h, g = u(g, d = u(d, f, h, g, e[r + 1], 4, -1530992060), f, h, e[r + 4], 11, 1272893353), d, f, e[r + 7], 16, -155497632), g, d, e[r + 10], 23, -1094730640), h = u(h, g = u(g, d = u(d, f, h, g, e[r + 13], 4, 681279174), f, h, e[r], 11, -358537222), d, f, e[r + 3], 16, -722521979), g, d, e[r + 6], 23, 76029189), h = u(h, g = u(g, d = u(d, f, h, g, e[r + 9], 4, -640364487), f, h, e[r + 12], 11, -421815835), d, f, e[r + 15], 16, 530742520), g, d, e[r + 2], 23, -995338651), h = l(h, g = l(g, d = l(d, f, h, g, e[r], 6, -198630844), f, h, e[r + 7], 10, 1126891415), d, f, e[r + 14], 15, -1416354905), g, d, e[r + 5], 21, -57434055), h = l(h, g = l(g, d = l(d, f, h, g, e[r + 12], 6, 1700485571), f, h, e[r + 3], 10, -1894986606), d, f, e[r + 10], 15, -1051523), g, d, e[r + 1], 21, -2054922799), h = l(h, g = l(g, d = l(d, f, h, g, e[r + 8], 6, 1873313359), f, h, e[r + 15], 10, -30611744), d, f, e[r + 6], 15, -1560198380), g, d, e[r + 13], 21, 1309151649), h = l(h, g = l(g, d = l(d, f, h, g, e[r + 4], 6, -145523070), f, h, e[r + 11], 10, -1120210379), d, f, e[r + 2], 15, 718787259), g, d, e[r + 9], 21, -343485551),
 283         d = i(d, n),
 284         f = i(f, o),
 285         h = i(h, a),
 286         g = i(g, p);
 287     return [d, f, h, g]
 288 }
 289 function d(e) {
 290     var t, r = "", n = 32 * e.length;
 291     for (t = 0; t < n; t += 8)
 292         r += String.fromCharCode(e[t >> 5] >>> t % 32 & 255);
 293     return r
 294 }
 295 function f(e) {
 296     var t, r = [];
 297     for (r[(e.length >> 2) - 1] = void 0,
 298     t = 0; t < r.length; t += 1)
 299         r[t] = 0;
 300     var n = 8 * e.length;
 301     for (t = 0; t < n; t += 8)
 302         r[t >> 5] |= (255 & e.charCodeAt(t / 8)) << t % 32;
 303     return r
 304 }
 305 function h(e) {
 306     var t, r, n = "";
 307     for (r = 0; r < e.length; r += 1)
 308         t = e.charCodeAt(r),
 309         n += "0123456789abcdef".charAt(t >>> 4 & 15) + "0123456789abcdef".charAt(15 & t);
 310     return n
 311 }
 312 function g(e) {
 313     return unescape(encodeURIComponent(e))
 314 }
 315 function b(e) {
 316     return function(e) {
 317         return d(p(f(e), 8 * e.length))
 318     }(g(e))
 319 }
 320 function m(e, t) {
 321     return function(e, t) {
 322         var r, n, o = f(e), i = [], a = [];
 323         for (i[15] = a[15] = void 0,
 324         o.length > 16 && (o = p(o, 8 * e.length)),
 325         r = 0; r < 16; r += 1)
 326             i[r] = 909522486 ^ o[r],
 327             a[r] = 1549556828 ^ o[r];
 328         return n = p(i.concat(f(t)), 512 + 8 * t.length),
 329         d(p(a.concat(n), 640))
 330     }(g(e), g(t))
 331 }
 332 function v(e, t, r) {
 333     return t ? r ? m(t, e) : h(m(t, e)) : r ? b(e) : h(b(e))
 334 }
 335 function sign(s) {
 336     return v(s);
 337 }
 338 '''
 339
 340     def _entries(self, data):
 341         def get_count(suffix):
 342             return int_or_none(try_get(
 343                 node, lambda x: x['edge_media_' + suffix]['count']))
 344
 345         uploader_id = data['entry_data']['ProfilePage'][0]['graphql']['user']['id']
 346         csrf_token = data['config']['csrf_token']
 347         rhx_gis = data.get('rhx_gis') or '3c7ca9dcefcf966d11dacf1f151335e8'
 348
 349         self._set_cookie('instagram.com', 'ig_pr', '1')
 350
 351         def sign(s):
 352             js_code = self._SIGN_CODE + "console.log(sign('%s')); phantom.exit();" % s
 353             with open(self._phantomjs_script.name, 'w') as f:
 354                 f.write(js_code)
 355             p = subprocess.Popen(
 356                 ['phantomjs', '--ssl-protocol=any', f.name],
 357                 stdout=subprocess.PIPE, stderr=subprocess.PIPE)
 358             gis, err = p.communicate()
 359             if p.returncode != 0:
 360                 raise ExtractorError('Failed to sign request\n:' + err.decode('utf-8'))
 361             return gis.decode('utf-8').strip()
 362
 363         cursor = ''
 364         for page_num in itertools.count(1):
 365             variables = json.dumps({
 366                 'id': uploader_id,
 367                 'first': 100,
 368                 'after': cursor,
 369             })
 370             gis = sign(
 371                 '%s:%s:%s:%s'
 372                 % (rhx_gis, csrf_token, std_headers['User-Agent'], variables))
 373             media = self._download_json(
 374                 'https://www.instagram.com/graphql/query/', uploader_id,
 375                 'Downloading JSON page %d' % page_num, headers={
 376                     'X-Requested-With': 'XMLHttpRequest',
 377                     'X-Instagram-GIS': gis,
 378                 }, query={
 379                     'query_hash': '472f257a40c653c64c666ce877d59d2b',
 380                     'variables': variables,
 381                 })['data']['user']['edge_owner_to_timeline_media']
 382
 383             edges = media.get('edges')
 384             if not edges or not isinstance(edges, list):
 385                 break
 386
 387             for edge in edges:
 388                 node = edge.get('node')
 389                 if not node or not isinstance(node, dict):
 390                     continue
 391                 if node.get('__typename') != 'GraphVideo' and node.get('is_video') is not True:
 392                     continue
 393                 video_id = node.get('shortcode')
 394                 if not video_id:
 395                     continue
 396
 397                 info = self.url_result(
 398                     'https://instagram.com/p/%s/' % video_id,
 399                     ie=InstagramIE.ie_key(), video_id=video_id)
 400
 401                 description = try_get(
 402                     node, lambda x: x['edge_media_to_caption']['edges'][0]['node']['text'],
 403                     compat_str)
 404                 thumbnail = node.get('thumbnail_src') or node.get('display_src')
 405                 timestamp = int_or_none(node.get('taken_at_timestamp'))
 406
 407                 comment_count = get_count('to_comment')
 408                 like_count = get_count('preview_like')
 409                 view_count = int_or_none(node.get('video_view_count'))
 410
 411                 info.update({
 412                     'description': description,
 413                     'thumbnail': thumbnail,
 414                     'timestamp': timestamp,
 415                     'comment_count': comment_count,
 416                     'like_count': like_count,
 417                     'view_count': view_count,
 418                 })
 419
 420                 yield info
 421
 422             page_info = media.get('page_info')
 423             if not page_info or not isinstance(page_info, dict):
 424                 break
 425
 426             has_next_page = page_info.get('has_next_page')
 427             if not has_next_page:
 428                 break
 429
 430             cursor = page_info.get('end_cursor')
 431             if not cursor or not isinstance(cursor, compat_str):
 432                 break
 433
 434     def _real_initialize(self):
 435         if not check_executable('phantomjs', ['-v']):
 436             raise ExtractorError(
 437                 'PhantomJS executable not found in PATH, download it from http://phantomjs.org',
 438                 expected=True)
 439         self._phantomjs_script = tempfile.NamedTemporaryFile(delete=False)
 440         self._phantomjs_script.close()
 441
 442     def __del__(self):
 443         os.unlink(self._phantomjs_script.name)
 444
 445     def _real_extract(self, url):
 446         username = self._match_id(url)
 447
 448         webpage = self._download_webpage(url, username)
 449
 450         data = self._parse_json(
 451             self._search_regex(
 452                 r'sharedData\s*=\s*({.+?})\s*;\s*[<\n]', webpage, 'data'),
 453             username)
 454
 455         return self.playlist_result(
 456             self._entries(data), username, username)