Raphaël G. Git Repositories - youtubedl/blob - youtube_dl/extractor/elpais.py

   1 # coding: utf-8
   2 from __future__ import unicode_literals
   3
   4 from .common import InfoExtractor
   5 from ..utils import strip_jsonp, unified_strdate
   6
   7
   8 class ElPaisIE(InfoExtractor):
   9     _VALID_URL = r'https?://(?:[^.]+\.)?elpais\.com/.*/(?P<id>[^/#?]+)\.html(?:$|[?#])'
  10     IE_DESC = 'El País'
  11
  12     _TESTS = [{
  13         'url': 'http://blogs.elpais.com/la-voz-de-inaki/2014/02/tiempo-nuevo-recetas-viejas.html',
  14         'md5': '98406f301f19562170ec071b83433d55',
  15         'info_dict': {
  16             'id': 'tiempo-nuevo-recetas-viejas',
  17             'ext': 'mp4',
  18             'title': 'Tiempo nuevo, recetas viejas',
  19             'description': 'De lunes a viernes, a partir de las ocho de la mañana, Iñaki Gabilondo nos cuenta su visión de la actualidad nacional e internacional.',
  20             'upload_date': '20140206',
  21         }
  22     }, {
  23         'url': 'http://elcomidista.elpais.com/elcomidista/2016/02/24/articulo/1456340311_668921.html#?id_externo_nwl=newsletter_diaria20160303t',
  24         'md5': '3bd5b09509f3519d7d9e763179b013de',
  25         'info_dict': {
  26             'id': '1456340311_668921',
  27             'ext': 'mp4',
  28             'title': 'Cómo hacer el mejor café con cafetera italiana',
  29             'description': 'Que sí, que las cápsulas son cómodas. Pero si le pides algo más a la vida, quizá deberías aprender a usar bien la cafetera italiana. No tienes más que ver este vídeo y seguir sus siete normas básicas.',
  30             'upload_date': '20160303',
  31         }
  32     }, {
  33         'url': 'http://elpais.com/elpais/2017/01/26/ciencia/1485456786_417876.html',
  34         'md5': '9c79923a118a067e1a45789e1e0b0f9c',
  35         'info_dict': {
  36             'id': '1485456786_417876',
  37             'ext': 'mp4',
  38             'title': 'Hallado un barco de la antigua Roma que naufragó en Baleares hace 1.800 años',
  39             'description': 'La nave portaba cientos de ánforas y se hundió cerca de la isla de Cabrera por razones desconocidas',
  40             'upload_date': '20170127',
  41         },
  42     }]
  43
  44     def _real_extract(self, url):
  45         video_id = self._match_id(url)
  46         webpage = self._download_webpage(url, video_id)
  47
  48         prefix = self._html_search_regex(
  49             r'var\s+url_cache\s*=\s*"([^"]+)";', webpage, 'URL prefix')
  50         id_multimedia = self._search_regex(
  51             r"id_multimedia\s*=\s*'([^']+)'", webpage, 'ID multimedia', default=None)
  52         if id_multimedia:
  53             url_info = self._download_json(
  54                 'http://elpais.com/vdpep/1/?pepid=' + id_multimedia, video_id, transform_source=strip_jsonp)
  55             video_suffix = url_info['mp4']
  56         else:
  57             video_suffix = self._search_regex(
  58                 r"(?:URLMediaFile|urlVideo_\d+)\s*=\s*url_cache\s*\+\s*'([^']+)'", webpage, 'video URL')
  59         video_url = prefix + video_suffix
  60         thumbnail_suffix = self._search_regex(
  61             r"(?:URLMediaStill|urlFotogramaFijo_\d+)\s*=\s*url_cache\s*\+\s*'([^']+)'",
  62             webpage, 'thumbnail URL', fatal=False)
  63         thumbnail = (
  64             None if thumbnail_suffix is None
  65             else prefix + thumbnail_suffix)
  66         title = self._html_search_regex(
  67             (r"tituloVideo\s*=\s*'([^']+)'", webpage, 'title',
  68              r'<h2 class="entry-header entry-title.*?>(.*?)</h2>'),
  69             webpage, 'title')
  70         upload_date = unified_strdate(self._search_regex(
  71             r'<p class="date-header date-int updated"\s+title="([^"]+)">',
  72             webpage, 'upload date', default=None) or self._html_search_meta(
  73             'datePublished', webpage, 'timestamp'))
  74
  75         return {
  76             'id': video_id,
  77             'url': video_url,
  78             'title': title,
  79             'description': self._og_search_description(webpage),
  80             'thumbnail': thumbnail,
  81             'upload_date': upload_date,
  82         }