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         'url': 'http://epv.elpais.com/epv/2017/02/14/programa_la_voz_de_inaki/1487062137_075943.html',
  44         'info_dict': {
  45             'id': '1487062137_075943',
  46             'ext': 'mp4',
  47             'title': 'Disyuntivas',
  48             'description': 'md5:a0fb1485c4a6a8a917e6f93878e66218',
  49             'upload_date': '20170214',
  50         },
  51         'params': {
  52             'skip_download': True,
  53         },
  54     }]
  55
  56     def _real_extract(self, url):
  57         video_id = self._match_id(url)
  58         webpage = self._download_webpage(url, video_id)
  59
  60         prefix = self._html_search_regex(
  61             r'var\s+url_cache\s*=\s*"([^"]+)";', webpage, 'URL prefix')
  62         id_multimedia = self._search_regex(
  63             r"id_multimedia\s*=\s*'([^']+)'", webpage, 'ID multimedia', default=None)
  64         if id_multimedia:
  65             url_info = self._download_json(
  66                 'http://elpais.com/vdpep/1/?pepid=' + id_multimedia, video_id, transform_source=strip_jsonp)
  67             video_suffix = url_info['mp4']
  68         else:
  69             video_suffix = self._search_regex(
  70                 r"(?:URLMediaFile|urlVideo_\d+)\s*=\s*url_cache\s*\+\s*'([^']+)'", webpage, 'video URL')
  71         video_url = prefix + video_suffix
  72         thumbnail_suffix = self._search_regex(
  73             r"(?:URLMediaStill|urlFotogramaFijo_\d+)\s*=\s*url_cache\s*\+\s*'([^']+)'",
  74             webpage, 'thumbnail URL', default=None)
  75         thumbnail = (
  76             None if thumbnail_suffix is None
  77             else prefix + thumbnail_suffix) or self._og_search_thumbnail(webpage)
  78         title = self._html_search_regex(
  79             (r"tituloVideo\s*=\s*'([^']+)'",
  80              r'<h2 class="entry-header entry-title.*?>(.*?)</h2>',
  81              r'<h1[^>]+class="titulo"[^>]*>([^<]+)'),
  82             webpage, 'title', default=None) or self._og_search_title(webpage)
  83         upload_date = unified_strdate(self._search_regex(
  84             r'<p class="date-header date-int updated"\s+title="([^"]+)">',
  85             webpage, 'upload date', default=None) or self._html_search_meta(
  86             'datePublished', webpage, 'timestamp'))
  87
  88         return {
  89             'id': video_id,
  90             'url': video_url,
  91             'title': title,
  92             'description': self._og_search_description(webpage),
  93             'thumbnail': thumbnail,
  94             'upload_date': upload_date,
  95         }