[seznamzpravy] Split to article and iframe extractor

youtube_dl/extractor/extractors.py

@@ -931,7 +931,10 @@ from .sendtonews import SendtoNewsIE
 from .servingsys import ServingSysIE
 from .servus import ServusIE
 from .sexu import SexuIE
-from .seznamzpravy import SeznamZpravyIE
+from .seznamzpravy import (
+    SeznamZpravyIframeIE,
+    SeznamZpravyArticleIE,
+)
 from .shahid import ShahidIE
 from .shared import (
     SharedIE,

youtube_dl/extractor/seznamzpravy.py

@@ -2,7 +2,12 @@
 from __future__ import unicode_literals
 
 from .common import InfoExtractor
-from ..compat import compat_str
+from ..compat import (
+    compat_parse_qs,
+    compat_str,
+    compat_urllib_parse_urlencode,
+    compat_urllib_parse_urlparse,
+)
 from ..utils import (
     urljoin,
     int_or_none,
@@ -10,34 +15,10 @@ from ..utils import (
 )
 
 
-class SeznamZpravyIE(InfoExtractor):
+class SeznamZpravyGenericIE(InfoExtractor):
-    _VALID_URL = r'https?://(?:www\.)?seznam\.cz/zpravy/clanek/(?:[-a-z0-9]+)-(?P<id>[0-9]+)'
     _API_URL = 'https://apizpravy.seznam.cz/'
     _MAGIC_SUFFIX = 'spl2,2,VOD'
 
-    _TESTS = [{
-        # two videos on one page, with SDN URL
-        'url': 'https://www.seznam.cz/zpravy/clanek/jejich-svet-na-nas-utoci-je-lepsi-branit-se-na-jejich-pisecku-rika-reziser-a-major-v-zaloze-marhoul-35990',
-        'params': {'skip_download': True},
-        # ^ this is here instead of 'file_minsize': 1586, which does not work because
-        #   test_download.py forces expected_minsize to at least 10k when test is running
-        'info_dict': {
-            'id': '35990',
-            'ext': 'mp4',
-            'title': 'Jejich svět na nás útočí. Je lepší bránit se na jejich písečku, říká režisér a major v záloze Marhoul',
-            'description': 'O nasazení českých vojáků v zahraničí. Marhoul by na mise posílal i zálohy. „Nejdříve se ale musí vycvičit,“ říká.',
-        }
-    }, {
-        # video with live stream URL
-        'url': 'https://www.seznam.cz/zpravy/clanek/znovu-do-vlady-s-ano-pavel-belobradek-ve-volebnim-specialu-seznamu-38489',
-        'info_dict': {
-            'id': '38489',
-            'ext': 'mp4',
-            'title': 'ČSSD a ANO nás s\xa0elektronickou evidencí podrazily, říká šéf lidovců',
-            'description': 'Předvolební rozhovory s lídry deseti hlavních stran pokračují. Ve Výzvě Jindřicha Šídla odpovídal předseda lidovců Pavel Bělobrádek.',
-        }
-    }]
-
     def _extract_sdn_formats(self, sdn_url, video_id):
         sdn_data = self._download_json(sdn_url, video_id)
         formats = []
@@ -71,63 +52,117 @@ class SeznamZpravyIE(InfoExtractor):
         self._sort_formats(formats)
         return formats
 
-    def _extract_caption(self, api_data, video_id):
+    def _raw_id(self, src_url):
+        return compat_urllib_parse_urlparse(src_url).path.split('/')[-1]
+
+
+class SeznamZpravyIframeIE(SeznamZpravyGenericIE):
+    _VALID_URL = r'https?://(?:www\.)?seznam\.cz/zpravy/iframe/player\?.*\bsrc='
+    _TESTS = [{
+        'url': r'https://www.seznam.cz/zpravy/iframe/player?duration=241&serviceSlug=zpravy&src=https%3A%2F%2Fv39-a.sdn.szn.cz%2Fv_39%2Fvmd%2F5999c902ea707c67d8e267a9%3Ffl%3Dmdk%2C432f65a0%7C&itemType=video&autoPlay=false&title=Sv%C4%9Bt%20bez%20obalu%3A%20%C4%8Ce%C5%A1t%C3%AD%20voj%C3%A1ci%20na%20mis%C3%ADch%20(kr%C3%A1tk%C3%A1%20verze)&series=Sv%C4%9Bt%20bez%20obalu&serviceName=Seznam%20Zpr%C3%A1vy&poster=%2F%2Fd39-a.sdn.szn.cz%2Fd_39%2Fc_img_F_I%2FR5puJ.jpeg%3Ffl%3Dcro%2C0%2C0%2C1920%2C1080%7Cres%2C1200%2C%2C1%7Cjpg%2C80%2C%2C1&width=1920&height=1080&cutFrom=0&cutTo=0&splVersion=VOD&contentId=170889&contextId=35990&showAdvert=true&collocation=&autoplayPossible=true&embed=&isVideoTooShortForPreroll=false&isVideoTooLongForPostroll=true&videoCommentOpKey=&videoCommentId=&version=4.0.76&dotService=zpravy&gemiusPrismIdentifier=bVc1ZIb_Qax4W2v5xOPGpMeCP31kFfrTzj0SqPTLh_b.Z7&zoneIdPreroll=seznam.pack.videospot&skipOffsetPreroll=5&sectionPrefixPreroll=%2Fzpravy',
+        'params': {'skip_download': True},  # 'file_minsize': 1586 seems to get killed in test_download.py
+        'info_dict': {
+            'id': '170889',
+            'ext': 'mp4',
+            'title': 'Svět bez obalu: Čeští vojáci na misích (krátká verze)',
+        }
+    }]
+
+    def _real_extract(self, url):
+        params = compat_parse_qs(compat_urllib_parse_urlparse(url).query)
+        src = params['src'][0]
+        video_id = params.get('contentId', [self._raw_id(src)])[0]
+
+        return {
+            'id': video_id,
+            'title': params['title'][0],
+            'formats': self._extract_sdn_formats(src + self._MAGIC_SUFFIX, video_id),
+        }
+
+
+class SeznamZpravyArticleIE(SeznamZpravyGenericIE):
+    _VALID_URL = r'https?://(?:www\.)?seznam\.cz/zpravy/clanek/(?:[-a-z0-9]+)-(?P<id>[0-9]+)'
+    _TESTS = [{
+        # two videos on one page, with SDN URL
+        'url': 'https://www.seznam.cz/zpravy/clanek/jejich-svet-na-nas-utoci-je-lepsi-branit-se-na-jejich-pisecku-rika-reziser-a-major-v-zaloze-marhoul-35990',
+        'params': {'skip_download': True},
+        # ^ this is here instead of 'file_minsize': 1586, which does not work because
+        #   test_download.py forces expected_minsize to at least 10k when test is running
+        'info_dict': {
+            'id': '170889',
+            'ext': 'mp4',
+            'title': 'Svět bez obalu: Čeští vojáci na misích (krátká verze)',
+        }
+    }, {
+        # video with live stream URL
+        'url': 'https://www.seznam.cz/zpravy/clanek/znovu-do-vlady-s-ano-pavel-belobradek-ve-volebnim-specialu-seznamu-38489',
+        'info_dict': {
+            'id': '185688',
+            'ext': 'mp4',
+            'title': 'Předseda KDU-ČSL Pavel Bělobrádek ve volební Výzvě Seznamu',
+        }
+    }]
+
+    def _extract_caption(self, api_data, article_id):
         title = api_data.get('title') or api_data.get('captionTitle')
         caption = api_data.get('caption')
         if not title or not caption:
             return {}
 
         if 'sdn' in caption.get('video', {}):
-            sdn_url = caption['video']['sdn'] + self._MAGIC_SUFFIX
+            src_url = caption['video']['sdn']
         elif 'liveStreamUrl' in caption:
-            sdn_url = self._download_json(caption['liveStreamUrl'] + self._MAGIC_SUFFIX, video_id)['Location']
+            src_url = self._download_json(caption['liveStreamUrl'], article_id)['Location']
         else:
             return {}
 
-        formats = self._extract_sdn_formats(sdn_url, video_id)
+        return {
-        if formats:
+            'id': caption.get('uid'),
-            return {
+            'title': caption.get('title'),
-                'id': video_id,
+            'src': src_url,
-                'title': title,
+        }
-                'description': api_data.get('perex'),
-                'display_id': api_data.get('slug'),
-                'formats': formats,
-            }
 
-    def _extract_content(self, api_data, video_id):
+    def _extract_content(self, api_data):
         entries = []
         for num, item in enumerate(api_data.get('content', [])):
             media = item.get('properties', {}).get('media', {})
-            sdn_url_part = media.get('video', {}).get('sdn')
+            src_url = media.get('video', {}).get('sdn')
             title = media.get('title')
-            if not sdn_url_part or not title:
+            if not src_url or not title:
                 continue
 
-            entry_id = '%s-%s' % (video_id, num)
+            entries.append({
-            formats = self._extract_sdn_formats(sdn_url_part + self._MAGIC_SUFFIX, entry_id)
+                'id': media.get('uid'),
-            if formats:
+                'title': title,
-                entries.append({
+                'src': src_url,
-                    'id': entry_id,
+            })
-                    'title': title,
-                    'formats': formats,
-                })
 
         return entries
 
-    def _real_extract(self, url):
+    def _iframe_result(self, info_dict):
-        video_id = self._match_id(url)
+        video_id = info_dict['id'] or self._raw_id(info_dict['src'])
-        api_data = self._download_json(self._API_URL + 'v1/documents/' + video_id, video_id)
+        url = 'https://www.seznam.cz/zpravy/iframe/player?%s' % compat_urllib_parse_urlencode({
+            'src': info_dict['src'],
+            'title': info_dict['title'],
+            'contentId': video_id,
+            'serviceName': 'Seznam Zprávy',
+        })
+        return self.url_result(url, ie='SeznamZpravyIframe', video_id=video_id, video_title=info_dict['title'])
 
-        caption = self._extract_caption(api_data, video_id)
+    def _real_extract(self, url):
-        content = self._extract_content(api_data, video_id)
+        article_id = self._match_id(url)
+        api_data = self._download_json(self._API_URL + 'v1/documents/' + article_id, article_id)
+
+        caption = self._extract_caption(api_data, article_id)
+        content = self._extract_content(api_data)
 
         if caption and not content:
-            return caption
+            return self._iframe_result(caption)
         else:
             if caption:
                 content.insert(0, caption)
-            return {
+            return self.playlist_result(
-                '_type': 'playlist',
+                [self._iframe_result(x) for x in content],
-                'entries': content,
+                playlist_id=article_id,
-                'title': caption.get('title'),
+                playlist_title=api_data.get('title') or caption.get('title')
-            }
+            )