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

   1 # encoding: utf-8
   2
   3 import re
   4 import json
   5 import time
   6 import logging
   7 import urllib2
   8
   9 from .common import InfoExtractor
  10 from ..utils import compat_urllib_request
  11
  12
  13 class SohuIE(InfoExtractor):
  14     _VALID_URL = r'https?://tv\.sohu\.com/\d+?/n(?P<id>\d+)\.shtml.*?'
  15
  16     _TEST = {
  17         u'url': u'http://tv.sohu.com/20130724/n382479172.shtml#super',
  18         u'file': u'382479172.flv',
  19         u'md5': u'cc84eed6b6fbf0f2f9a8d3cb9da1939b',
  20         u'info_dict': {
  21             u'title': u'The Illest - Far East Movement Riff Raff',
  22         },
  23     }
  24
  25     def _clearn_html(self, string):
  26         tags = re.findall(r'<.+?>', string)
  27         for t in tags:
  28             string = string.replace(t, ' ')
  29         for i in range(2):
  30             spaces = re.findall(r'\s+', string)
  31             for s in spaces:
  32                 string = string.replace(s, ' ')
  33         string = string.strip()
  34         return string
  35
  36     def _real_extract(self, url):
  37         mobj = re.match(self._VALID_URL, url)
  38         video_id = mobj.group('id')
  39         webpage = self._download_webpage(url, video_id)
  40         pattern = r'<h1 id="video-title">\n*?(.+?)\n*?</h1>'
  41         compiled = re.compile(pattern, re.DOTALL)
  42         title = self._search_regex(compiled, webpage, u'video title').strip('\t\n')
  43         title = self._clearn_html(title)
  44         pattern = re.compile(r'var vid="(\d+)"')
  45         result = re.search(pattern, webpage)
  46         if not result:
  47             logging.info('[Sohu] could not get vid')
  48             return None
  49         vid = result.group(1)
  50         logging.info('vid: %s' % vid)
  51         base_url_1 = 'http://hot.vrs.sohu.com/vrs_flash.action?vid='
  52         url_1 = base_url_1 + vid
  53         logging.info('json url: %s' % url_1)
  54         json_1 = json.loads(urllib2.urlopen(url_1).read())
  55         # get the highest definition video vid and json infomation.
  56         vids = []
  57         qualities = ('oriVid', 'superVid', 'highVid', 'norVid')
  58         for vid_name in qualities:
  59             vids.append(json_1['data'][vid_name])
  60         clearest_vid = 0
  61         for i, v in enumerate(vids):
  62             if v != 0:
  63                 clearest_vid = v
  64                 logging.info('quality definition: %s' % qualities[i][:-3])
  65                 break
  66         if not clearest_vid:
  67             logging.warning('could not find valid clearest_vid')
  68             return None
  69         if vid != clearest_vid:
  70             url_1 = '%s%d' % (base_url_1, clearest_vid)
  71             logging.info('highest definition json url: %s' % url_1)
  72             json_1 = json.loads(urllib2.urlopen(url_1).read())
  73         allot = json_1['allot']
  74         prot = json_1['prot']
  75         clipsURL = json_1['data']['clipsURL']
  76         su = json_1['data']['su']
  77         num_of_parts = json_1['data']['totalBlocks']
  78         logging.info('Total parts: %d' % num_of_parts)
  79         base_url_3 = 'http://allot/?prot=prot&file=clipsURL[i]&new=su[i]'
  80         files_info = []
  81         for i in range(num_of_parts):
  82             middle_url = 'http://%s/?prot=%s&file=%s&new=%s' % (allot, prot, clipsURL[i], su[i])
  83             logging.info('middle url part %d: %s' % (i, middle_url))
  84             middle_info = urllib2.urlopen(middle_url).read().split('|')
  85             middle_part_1 = middle_info[0]
  86             download_url = '%s%s?key=%s' % (middle_info[0], su[i], middle_info[3])
  87
  88             info = {
  89                 'id': '%s_part%02d' % (video_id, i + 1),
  90                 'title': title,
  91                 'url': download_url,
  92                 'ext': 'mp4',
  93             }
  94             files_info.append(info)
  95             time.sleep(1)
  96
  97         return files_info