1
0
mirror of https://github.com/l1ving/youtube-dl synced 2025-03-13 01:07:21 +08:00

[seznamzpravy] Split to article and iframe extractor

This commit is contained in:
Petr Novak 2017-12-04 02:45:45 +01:00
parent 16ca00501a
commit 548c008330
2 changed files with 99 additions and 61 deletions

View File

@ -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,

View File

@ -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):
_VALID_URL = r'https?://(?:www\.)?seznam\.cz/zpravy/clanek/(?:[-a-z0-9]+)-(?P<id>[0-9]+)'
class SeznamZpravyGenericIE(InfoExtractor):
_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)
if formats:
return {
'id': video_id,
'title': title,
'description': api_data.get('perex'),
'display_id': api_data.get('slug'),
'formats': formats,
'id': caption.get('uid'),
'title': caption.get('title'),
'src': src_url,
}
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)
formats = self._extract_sdn_formats(sdn_url_part + self._MAGIC_SUFFIX, entry_id)
if formats:
entries.append({
'id': entry_id,
'id': media.get('uid'),
'title': title,
'formats': formats,
'src': src_url,
})
return entries
def _real_extract(self, url):
video_id = self._match_id(url)
api_data = self._download_json(self._API_URL + 'v1/documents/' + video_id, video_id)
def _iframe_result(self, info_dict):
video_id = info_dict['id'] or self._raw_id(info_dict['src'])
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)
content = self._extract_content(api_data, video_id)
def _real_extract(self, url):
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 {
'_type': 'playlist',
'entries': content,
'title': caption.get('title'),
}
return self.playlist_result(
[self._iframe_result(x) for x in content],
playlist_id=article_id,
playlist_title=api_data.get('title') or caption.get('title')
)