youtube-dl/youtube_dl/extractor/malltv.py

# coding: utf-8
from __future__ import unicode_literals

import hashlib
from .common import InfoExtractor
from ..utils import parse_duration
import re


class MallTVIE(InfoExtractor):
    _VALID_URL = r'https?://(?:www\.)?mall\.tv/(?:.+/)?(?P<id>.+)'
    _TESTS = [
        {
            'url': 'https://www.mall.tv/18-miliard-pro-neziskovky-opravdu-jsou-sportovci-nebo-clovek-v-tisni-pijavice',
            'md5': '9ced0de056534410837077e23bfba796',
            'info_dict': {
                'id': 't0zzt0',
                'ext': 'mp4',
                'title': '18 miliard pro neziskovky. Opravdu jsou sportovci nebo Člověk v tísni pijavice?',
                'description': "Pokud někdo hospodaří s penězmi daňových poplatníků, pak logicky chceme vědět, jak s nimi nakládá. Objem dotací pro neziskovky roste, ale opravdu jsou tyto organizace „pijavice', jak o nich hovoří And"
                }
        },
        {
            'url': 'https://www.mall.tv/kdo-to-plati/18-miliard-pro-neziskovky-opravdu-jsou-sportovci-nebo-clovek-v-tisni-pijavice',
            'md5': '9ced0de056534410837077e23bfba796',
            'info_dict': {
                'id': 't0zzt0',
                'ext': 'mp4',
                'title': '18 miliard pro neziskovky. Opravdu jsou sportovci nebo Člověk v tísni pijavice?',
                'description': "Pokud někdo hospodaří s penězmi daňových poplatníků, pak logicky chceme vědět, jak s nimi nakládá. Objem dotací pro neziskovky roste, ale opravdu jsou tyto organizace „pijavice', jak o nich hovoří And"
                }
        }
    ]

    def _real_extract(self, url):
        display_id = self._match_id(url)
        webpage = self._download_webpage(url, display_id)
        src_id_regex = r'(?P<before><source src=([\"\'])?)(?P<src>.+?/(?P<id>\w{6,}?)/index)(?P<after>\1?[^>]*?>)'
        video_id = self._html_search_regex(src_id_regex, webpage, 'ID',
                                           group='id')
        info = self._search_json_ld(webpage, video_id, default={})
        html = re.sub(src_id_regex, r'\g<before>\g<src>.m3u8\g<after>', webpage)
        media = self._parse_html5_media_entries('', html, video_id)
        thumbnail = info.get('thumbnail', self._og_search_thumbnail(webpage))
        duration = parse_duration(info.get('duration'))
        result = {
            'id': video_id,
            'title': info.get('title', self._og_search_title(webpage)),
            'description': self._og_search_description(webpage)
        }
        if media:
            result.update(media[0])
        result.update({'thumbnail': thumbnail})
        result.update({'duration': duration})

        return result