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

   1 # coding: utf-8
   2 from __future__ import unicode_literals
   3
   4 import re
   5
   6 from .common import InfoExtractor
   7 from ..utils import (
   8     determine_ext,
   9     clean_html,
  10     get_element_by_attribute,
  11     ExtractorError,
  12 )
  13
  14
  15 class TVPIE(InfoExtractor):
  16     IE_NAME = 'tvp'
  17     IE_DESC = 'Telewizja Polska'
  18     _VALID_URL = r'https?://[^/]+\.tvp\.(?:pl|info)/(?:video/(?:[^,\s]*,)*|(?:(?!\d+/)[^/]+/)*)(?P<id>\d+)'
  19
  20     _TESTS = [{
  21         'url': 'https://vod.tvp.pl/video/czas-honoru,i-seria-odc-13,194536',
  22         'md5': 'a21eb0aa862f25414430f15fdfb9e76c',
  23         'info_dict': {
  24             'id': '194536',
  25             'ext': 'mp4',
  26             'title': 'Czas honoru, odc. 13 – Władek',
  27             'description': 'md5:437f48b93558370b031740546b696e24',
  28         },
  29     }, {
  30         'url': 'http://www.tvp.pl/there-can-be-anything-so-i-shortened-it/17916176',
  31         'md5': 'b0005b542e5b4de643a9690326ab1257',
  32         'info_dict': {
  33             'id': '17916176',
  34             'ext': 'mp4',
  35             'title': 'TVP Gorzów pokaże filmy studentów z podroży dookoła świata',
  36             'description': 'TVP Gorzów pokaże filmy studentów z podroży dookoła świata',
  37         },
  38     }, {
  39         # page id is not the same as video id(#7799)
  40         'url': 'https://wiadomosci.tvp.pl/33908820/28092017-1930',
  41         'md5': '84cd3c8aec4840046e5ab712416b73d0',
  42         'info_dict': {
  43             'id': '33908820',
  44             'ext': 'mp4',
  45             'title': 'Wiadomości, 28.09.2017, 19:30',
  46             'description': 'Wydanie główne codziennego serwisu informacyjnego.'
  47         },
  48         'skip': 'HTTP Error 404: Not Found',
  49     }, {
  50         'url': 'http://vod.tvp.pl/seriale/obyczajowe/na-sygnale/sezon-2-27-/odc-39/17834272',
  51         'only_matching': True,
  52     }, {
  53         'url': 'http://wiadomosci.tvp.pl/25169746/24052016-1200',
  54         'only_matching': True,
  55     }, {
  56         'url': 'http://krakow.tvp.pl/25511623/25lecie-mck-wyjatkowe-miejsce-na-mapie-krakowa',
  57         'only_matching': True,
  58     }, {
  59         'url': 'http://teleexpress.tvp.pl/25522307/wierni-wzieli-udzial-w-procesjach',
  60         'only_matching': True,
  61     }, {
  62         'url': 'http://sport.tvp.pl/25522165/krychowiak-uspokaja-w-sprawie-kontuzji-dwa-tygodnie-to-maksimum',
  63         'only_matching': True,
  64     }, {
  65         'url': 'http://www.tvp.info/25511919/trwa-rewolucja-wladza-zdecydowala-sie-na-pogwalcenie-konstytucji',
  66         'only_matching': True,
  67     }]
  68
  69     def _real_extract(self, url):
  70         page_id = self._match_id(url)
  71         webpage = self._download_webpage(url, page_id)
  72         video_id = self._search_regex([
  73             r'<iframe[^>]+src="[^"]*?object_id=(\d+)',
  74             r"object_id\s*:\s*'(\d+)'",
  75             r'data-video-id="(\d+)"'], webpage, 'video id', default=page_id)
  76         return {
  77             '_type': 'url_transparent',
  78             'url': 'tvp:' + video_id,
  79             'description': self._og_search_description(
  80                 webpage, default=None) or self._html_search_meta(
  81                 'description', webpage, default=None),
  82             'thumbnail': self._og_search_thumbnail(webpage, default=None),
  83             'ie_key': 'TVPEmbed',
  84         }
  85
  86
  87 class TVPEmbedIE(InfoExtractor):
  88     IE_NAME = 'tvp:embed'
  89     IE_DESC = 'Telewizja Polska'
  90     _VALID_URL = r'(?:tvp:|https?://[^/]+\.tvp\.(?:pl|info)/sess/tvplayer\.php\?.*?object_id=)(?P<id>\d+)'
  91
  92     _TESTS = [{
  93         'url': 'tvp:194536',
  94         'md5': 'a21eb0aa862f25414430f15fdfb9e76c',
  95         'info_dict': {
  96             'id': '194536',
  97             'ext': 'mp4',
  98             'title': 'Czas honoru, odc. 13 – Władek',
  99         },
 100     }, {
 101         # not available
 102         'url': 'http://www.tvp.pl/sess/tvplayer.php?object_id=22670268',
 103         'md5': '8c9cd59d16edabf39331f93bf8a766c7',
 104         'info_dict': {
 105             'id': '22670268',
 106             'ext': 'mp4',
 107             'title': 'Panorama, 07.12.2015, 15:40',
 108         },
 109         'skip': 'Transmisja została zakończona lub materiał niedostępny',
 110     }, {
 111         'url': 'tvp:22670268',
 112         'only_matching': True,
 113     }]
 114
 115     def _real_extract(self, url):
 116         video_id = self._match_id(url)
 117
 118         webpage = self._download_webpage(
 119             'http://www.tvp.pl/sess/tvplayer.php?object_id=%s' % video_id, video_id)
 120
 121         error = self._html_search_regex(
 122             r'(?s)<p[^>]+\bclass=["\']notAvailable__text["\'][^>]*>(.+?)</p>',
 123             webpage, 'error', default=None) or clean_html(
 124             get_element_by_attribute('class', 'msg error', webpage))
 125         if error:
 126             raise ExtractorError('%s said: %s' % (
 127                 self.IE_NAME, clean_html(error)), expected=True)
 128
 129         title = self._search_regex(
 130             r'name\s*:\s*([\'"])Title\1\s*,\s*value\s*:\s*\1(?P<title>.+?)\1',
 131             webpage, 'title', group='title')
 132         series_title = self._search_regex(
 133             r'name\s*:\s*([\'"])SeriesTitle\1\s*,\s*value\s*:\s*\1(?P<series>.+?)\1',
 134             webpage, 'series', group='series', default=None)
 135         if series_title:
 136             title = '%s, %s' % (series_title, title)
 137
 138         thumbnail = self._search_regex(
 139             r"poster\s*:\s*'([^']+)'", webpage, 'thumbnail', default=None)
 140
 141         video_url = self._search_regex(
 142             r'0:{src:([\'"])(?P<url>.*?)\1', webpage,
 143             'formats', group='url', default=None)
 144         if not video_url or 'material_niedostepny.mp4' in video_url:
 145             video_url = self._download_json(
 146                 'http://www.tvp.pl/pub/stat/videofileinfo?video_id=%s' % video_id,
 147                 video_id)['video_url']
 148
 149         formats = []
 150         video_url_base = self._search_regex(
 151             r'(https?://.+?/video)(?:\.(?:ism|f4m|m3u8)|-\d+\.mp4)',
 152             video_url, 'video base url', default=None)
 153         if video_url_base:
 154             # TODO: <Group> found instead of <AdaptationSet> in MPD manifest.
 155             # It's not mentioned in MPEG-DASH standard. Figure that out.
 156             # formats.extend(self._extract_mpd_formats(
 157             #     video_url_base + '.ism/video.mpd',
 158             #     video_id, mpd_id='dash', fatal=False))
 159             formats.extend(self._extract_ism_formats(
 160                 video_url_base + '.ism/Manifest',
 161                 video_id, 'mss', fatal=False))
 162             formats.extend(self._extract_f4m_formats(
 163                 video_url_base + '.ism/video.f4m',
 164                 video_id, f4m_id='hds', fatal=False))
 165             m3u8_formats = self._extract_m3u8_formats(
 166                 video_url_base + '.ism/video.m3u8', video_id,
 167                 'mp4', 'm3u8_native', m3u8_id='hls', fatal=False)
 168             self._sort_formats(m3u8_formats)
 169             m3u8_formats = list(filter(
 170                 lambda f: f.get('vcodec') != 'none', m3u8_formats))
 171             formats.extend(m3u8_formats)
 172             for i, m3u8_format in enumerate(m3u8_formats, 2):
 173                 http_url = '%s-%d.mp4' % (video_url_base, i)
 174                 if self._is_valid_url(http_url, video_id):
 175                     f = m3u8_format.copy()
 176                     f.update({
 177                         'url': http_url,
 178                         'format_id': f['format_id'].replace('hls', 'http'),
 179                         'protocol': 'http',
 180                     })
 181                     formats.append(f)
 182         else:
 183             formats = [{
 184                 'format_id': 'direct',
 185                 'url': video_url,
 186                 'ext': determine_ext(video_url, 'mp4'),
 187             }]
 188
 189         self._sort_formats(formats)
 190
 191         return {
 192             'id': video_id,
 193             'title': title,
 194             'thumbnail': thumbnail,
 195             'formats': formats,
 196         }
 197
 198
 199 class TVPSeriesIE(InfoExtractor):
 200     IE_NAME = 'tvp:series'
 201     _VALID_URL = r'https?://vod\.tvp\.pl/(?:[^/]+/){2}(?P<id>[^/]+)/?$'
 202
 203     _TESTS = [{
 204         'url': 'http://vod.tvp.pl/filmy-fabularne/filmy-za-darmo/ogniem-i-mieczem',
 205         'info_dict': {
 206             'title': 'Ogniem i mieczem',
 207             'id': '4278026',
 208         },
 209         'playlist_count': 4,
 210     }, {
 211         'url': 'http://vod.tvp.pl/audycje/podroze/boso-przez-swiat',
 212         'info_dict': {
 213             'title': 'Boso przez świat',
 214             'id': '9329207',
 215         },
 216         'playlist_count': 86,
 217     }]
 218
 219     def _real_extract(self, url):
 220         display_id = self._match_id(url)
 221         webpage = self._download_webpage(url, display_id, tries=5)
 222
 223         title = self._html_search_regex(
 224             r'(?s) id=[\'"]path[\'"]>(?:.*? / ){2}(.*?)</span>', webpage, 'series')
 225         playlist_id = self._search_regex(r'nodeId:\s*(\d+)', webpage, 'playlist id')
 226         playlist = self._download_webpage(
 227             'http://vod.tvp.pl/vod/seriesAjax?type=series&nodeId=%s&recommend'
 228             'edId=0&sort=&page=0&pageSize=10000' % playlist_id, display_id, tries=5,
 229             note='Downloading playlist')
 230
 231         videos_paths = re.findall(
 232             '(?s)class="shortTitle">.*?href="(/[^"]+)', playlist)
 233         entries = [
 234             self.url_result('http://vod.tvp.pl%s' % v_path, ie=TVPIE.ie_key())
 235             for v_path in videos_paths]
 236
 237         return {
 238             '_type': 'playlist',
 239             'id': playlist_id,
 240             'display_id': display_id,
 241             'title': title,
 242             'entries': entries,
 243         }