[Imgur] Overhaul extractor module (#32612)
Revise extractors for new API and page formatspull/32664/head
parent
c62936a5f2
commit
55a442adae
|
@ -1,101 +1,267 @@
|
||||||
|
# coding: utf-8
|
||||||
from __future__ import unicode_literals
|
from __future__ import unicode_literals
|
||||||
|
|
||||||
import re
|
import re
|
||||||
|
|
||||||
from .common import InfoExtractor
|
from .common import InfoExtractor
|
||||||
from ..utils import (
|
from ..utils import (
|
||||||
|
determine_ext,
|
||||||
|
ExtractorError,
|
||||||
|
float_or_none,
|
||||||
int_or_none,
|
int_or_none,
|
||||||
js_to_json,
|
js_to_json,
|
||||||
|
merge_dicts,
|
||||||
mimetype2ext,
|
mimetype2ext,
|
||||||
ExtractorError,
|
parse_iso8601,
|
||||||
|
T,
|
||||||
|
traverse_obj,
|
||||||
|
txt_or_none,
|
||||||
|
url_or_none,
|
||||||
)
|
)
|
||||||
|
|
||||||
|
|
||||||
class ImgurIE(InfoExtractor):
|
class ImgurBaseIE(InfoExtractor):
|
||||||
_VALID_URL = r'https?://(?:i\.)?imgur\.com/(?!(?:a|gallery|(?:t(?:opic)?|r)/[^/]+)/)(?P<id>[a-zA-Z0-9]+)'
|
# hard-coded value, as also used by ArchiveTeam
|
||||||
|
_CLIENT_ID = '546c25a59c58ad7'
|
||||||
|
|
||||||
|
@classmethod
|
||||||
|
def _imgur_result(cls, item_id):
|
||||||
|
return cls.url_result('imgur:%s' % item_id, ImgurIE.ie_key(), item_id)
|
||||||
|
|
||||||
|
def _call_api(self, endpoint, video_id, **kwargs):
|
||||||
|
return self._download_json(
|
||||||
|
'https://api.imgur.com/post/v1/%s/%s?client_id=%s&include=media,account' % (endpoint, video_id, self._CLIENT_ID),
|
||||||
|
video_id, **kwargs)
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def get_description(s):
|
||||||
|
if 'Discover the magic of the internet at Imgur' in s:
|
||||||
|
return None
|
||||||
|
return txt_or_none(s)
|
||||||
|
|
||||||
|
|
||||||
|
class ImgurIE(ImgurBaseIE):
|
||||||
|
_VALID_URL = r'''(?x)
|
||||||
|
(?:
|
||||||
|
https?://(?:i\.)?imgur\.com/(?!(?:a|gallery|t|topic|r)/)|
|
||||||
|
imgur:
|
||||||
|
)(?P<id>[a-zA-Z0-9]+)
|
||||||
|
'''
|
||||||
|
|
||||||
_TESTS = [{
|
_TESTS = [{
|
||||||
'url': 'https://i.imgur.com/A61SaA1.gifv',
|
'url': 'https://imgur.com/A61SaA1',
|
||||||
'info_dict': {
|
'info_dict': {
|
||||||
'id': 'A61SaA1',
|
'id': 'A61SaA1',
|
||||||
'ext': 'mp4',
|
'ext': 'mp4',
|
||||||
'title': 're:Imgur GIF$|MRW gifv is up and running without any bugs$',
|
'title': 're:Imgur GIF$|MRW gifv is up and running without any bugs$',
|
||||||
|
'timestamp': 1416446068,
|
||||||
|
'upload_date': '20141120',
|
||||||
},
|
},
|
||||||
}, {
|
}, {
|
||||||
'url': 'https://imgur.com/A61SaA1',
|
'url': 'https://i.imgur.com/A61SaA1.gifv',
|
||||||
'only_matching': True,
|
'only_matching': True,
|
||||||
}, {
|
}, {
|
||||||
'url': 'https://i.imgur.com/crGpqCV.mp4',
|
'url': 'https://i.imgur.com/crGpqCV.mp4',
|
||||||
'only_matching': True,
|
'only_matching': True,
|
||||||
}, {
|
}, {
|
||||||
# no title
|
# previously, no title
|
||||||
'url': 'https://i.imgur.com/jxBXAMC.gifv',
|
'url': 'https://i.imgur.com/jxBXAMC.gifv',
|
||||||
'only_matching': True,
|
'info_dict': {
|
||||||
|
'id': 'jxBXAMC',
|
||||||
|
'ext': 'mp4',
|
||||||
|
'title': 'Fahaka puffer feeding',
|
||||||
|
'timestamp': 1533835503,
|
||||||
|
'upload_date': '20180809',
|
||||||
|
},
|
||||||
|
}]
|
||||||
|
|
||||||
|
def _extract_twitter_formats(self, html, tw_id='twitter', **kwargs):
|
||||||
|
fatal = kwargs.pop('fatal', False)
|
||||||
|
tw_stream = self._html_search_meta('twitter:player:stream', html, fatal=fatal, **kwargs)
|
||||||
|
if not tw_stream:
|
||||||
|
return []
|
||||||
|
ext = mimetype2ext(self._html_search_meta(
|
||||||
|
'twitter:player:stream:content_type', html, default=None))
|
||||||
|
width, height = (int_or_none(self._html_search_meta('twitter:player:' + v, html, default=None))
|
||||||
|
for v in ('width', 'height'))
|
||||||
|
return [{
|
||||||
|
'format_id': tw_id,
|
||||||
|
'url': tw_stream,
|
||||||
|
'ext': ext or determine_ext(tw_stream),
|
||||||
|
'width': width,
|
||||||
|
'height': height,
|
||||||
}]
|
}]
|
||||||
|
|
||||||
def _real_extract(self, url):
|
def _real_extract(self, url):
|
||||||
video_id = self._match_id(url)
|
video_id = self._match_id(url)
|
||||||
|
data = self._call_api('media', video_id, fatal=False, expected_status=404)
|
||||||
webpage = self._download_webpage(
|
webpage = self._download_webpage(
|
||||||
'https://i.imgur.com/{id}.gifv'.format(id=video_id), video_id)
|
'https://i.imgur.com/{id}.gifv'.format(id=video_id), video_id, fatal=not data) or ''
|
||||||
|
|
||||||
width = int_or_none(self._og_search_property(
|
if not traverse_obj(data, ('media', 0, (
|
||||||
'video:width', webpage, default=None))
|
('type', T(lambda t: t == 'video' or None)),
|
||||||
height = int_or_none(self._og_search_property(
|
('metadata', 'is_animated'))), get_all=False):
|
||||||
'video:height', webpage, default=None))
|
raise ExtractorError(
|
||||||
|
'%s is not a video or animated image' % video_id,
|
||||||
|
expected=True)
|
||||||
|
|
||||||
|
media_fmt = traverse_obj(data, ('media', 0, {
|
||||||
|
'url': ('url', T(url_or_none)),
|
||||||
|
'ext': 'ext',
|
||||||
|
'width': ('width', T(int_or_none)),
|
||||||
|
'height': ('height', T(int_or_none)),
|
||||||
|
'filesize': ('size', T(int_or_none)),
|
||||||
|
'acodec': ('metadata', 'has_sound', T(lambda b: None if b else 'none')),
|
||||||
|
}))
|
||||||
|
|
||||||
|
media_url = traverse_obj(media_fmt, 'url')
|
||||||
|
if media_url:
|
||||||
|
if not media_fmt.get('ext'):
|
||||||
|
media_fmt['ext'] = mimetype2ext(traverse_obj(
|
||||||
|
data, ('media', 0, 'mime_type'))) or determine_ext(media_url)
|
||||||
|
if traverse_obj(data, ('media', 0, 'type')) == 'image':
|
||||||
|
media_fmt['acodec'] = 'none'
|
||||||
|
media_fmt.setdefault('preference', -10)
|
||||||
|
|
||||||
|
tw_formats = self._extract_twitter_formats(webpage)
|
||||||
|
if traverse_obj(tw_formats, (0, 'url')) == media_url:
|
||||||
|
tw_formats = []
|
||||||
|
else:
|
||||||
|
# maybe this isn't an animated image/video?
|
||||||
|
self._check_formats(tw_formats, video_id)
|
||||||
|
|
||||||
video_elements = self._search_regex(
|
video_elements = self._search_regex(
|
||||||
r'(?s)<div class="video-elements">(.*?)</div>',
|
r'(?s)<div class="video-elements">(.*?)</div>',
|
||||||
webpage, 'video elements', default=None)
|
webpage, 'video elements', default=None)
|
||||||
if not video_elements:
|
if not (video_elements or tw_formats or media_url):
|
||||||
raise ExtractorError(
|
raise ExtractorError(
|
||||||
'No sources found for video %s. Maybe an image?' % video_id,
|
'No sources found for video %s. Maybe a plain image?' % video_id,
|
||||||
expected=True)
|
expected=True)
|
||||||
|
|
||||||
formats = []
|
def mung_format(fmt, *extra):
|
||||||
for m in re.finditer(r'<source\s+src="(?P<src>[^"]+)"\s+type="(?P<type>[^"]+)"', video_elements):
|
fmt.update({
|
||||||
formats.append({
|
|
||||||
'format_id': m.group('type').partition('/')[2],
|
|
||||||
'url': self._proto_relative_url(m.group('src')),
|
|
||||||
'ext': mimetype2ext(m.group('type')),
|
|
||||||
'width': width,
|
|
||||||
'height': height,
|
|
||||||
'http_headers': {
|
'http_headers': {
|
||||||
'User-Agent': 'youtube-dl (like wget)',
|
'User-Agent': 'youtube-dl (like wget)',
|
||||||
},
|
},
|
||||||
})
|
})
|
||||||
|
for d in extra:
|
||||||
|
fmt.update(d)
|
||||||
|
return fmt
|
||||||
|
|
||||||
|
if video_elements:
|
||||||
|
def og_get_size(media_type):
|
||||||
|
return dict((p, int_or_none(self._og_search_property(
|
||||||
|
':'.join((media_type, p)), webpage, default=None)))
|
||||||
|
for p in ('width', 'height'))
|
||||||
|
|
||||||
|
size = og_get_size('video')
|
||||||
|
if all(v is None for v in size.values()):
|
||||||
|
size = og_get_size('image')
|
||||||
|
|
||||||
|
formats = traverse_obj(
|
||||||
|
re.finditer(r'<source\s+src="(?P<src>[^"]+)"\s+type="(?P<type>[^"]+)"', video_elements),
|
||||||
|
(Ellipsis, {
|
||||||
|
'format_id': ('type', T(lambda s: s.partition('/')[2])),
|
||||||
|
'url': ('src', T(self._proto_relative_url)),
|
||||||
|
'ext': ('type', T(mimetype2ext)),
|
||||||
|
}, T(lambda f: mung_format(f, size))))
|
||||||
|
|
||||||
gif_json = self._search_regex(
|
gif_json = self._search_regex(
|
||||||
r'(?s)var\s+videoItem\s*=\s*(\{.*?\})',
|
r'(?s)var\s+videoItem\s*=\s*(\{.*?\})',
|
||||||
webpage, 'GIF code', fatal=False)
|
webpage, 'GIF code', fatal=False)
|
||||||
if gif_json:
|
MUST_BRANCH = (None, T(lambda _: None))
|
||||||
gifd = self._parse_json(
|
formats.extend(traverse_obj(gif_json, (
|
||||||
gif_json, video_id, transform_source=js_to_json)
|
T(lambda j: self._parse_json(
|
||||||
formats.append({
|
j, video_id, transform_source=js_to_json, fatal=False)), {
|
||||||
|
'url': ('gifUrl', T(self._proto_relative_url)),
|
||||||
|
'filesize': ('size', T(int_or_none)),
|
||||||
|
}, T(lambda f: mung_format(f, size, {
|
||||||
'format_id': 'gif',
|
'format_id': 'gif',
|
||||||
'preference': -10,
|
'preference': -10, # gifs are worse than videos
|
||||||
'width': width,
|
|
||||||
'height': height,
|
|
||||||
'ext': 'gif',
|
'ext': 'gif',
|
||||||
'acodec': 'none',
|
'acodec': 'none',
|
||||||
'vcodec': 'gif',
|
'vcodec': 'gif',
|
||||||
'container': 'gif',
|
'container': 'gif',
|
||||||
'url': self._proto_relative_url(gifd['gifUrl']),
|
})), MUST_BRANCH)))
|
||||||
'filesize': gifd.get('size'),
|
else:
|
||||||
'http_headers': {
|
formats = []
|
||||||
'User-Agent': 'youtube-dl (like wget)',
|
|
||||||
},
|
# maybe add formats from JSON or page Twitter metadata
|
||||||
})
|
if not any((u == media_url) for u in traverse_obj(formats, (Ellipsis, 'url'))):
|
||||||
|
formats.append(mung_format(media_fmt))
|
||||||
|
tw_url = traverse_obj(tw_formats, (0, 'url'))
|
||||||
|
if not any((u == tw_url) for u in traverse_obj(formats, (Ellipsis, 'url'))):
|
||||||
|
formats.extend(mung_format(f) for f in tw_formats)
|
||||||
|
|
||||||
self._sort_formats(formats)
|
self._sort_formats(formats)
|
||||||
|
|
||||||
return {
|
return merge_dicts(traverse_obj(data, {
|
||||||
|
'uploader_id': ('account_id', T(txt_or_none),
|
||||||
|
T(lambda a: a if int_or_none(a) != 0 else None)),
|
||||||
|
'uploader': ('account', 'username', T(txt_or_none)),
|
||||||
|
'uploader_url': ('account', 'avatar_url', T(url_or_none)),
|
||||||
|
'like_count': ('upvote_count', T(int_or_none)),
|
||||||
|
'dislike_count': ('downvote_count', T(int_or_none)),
|
||||||
|
'comment_count': ('comment_count', T(int_or_none)),
|
||||||
|
'age_limit': ('is_mature', T(lambda x: 18 if x else None)),
|
||||||
|
'timestamp': (('updated_at', 'created_at'), T(parse_iso8601)),
|
||||||
|
'release_timestamp': ('created_at', T(parse_iso8601)),
|
||||||
|
}, get_all=False), traverse_obj(data, ('media', 0, 'metadata', {
|
||||||
|
'title': ('title', T(txt_or_none)),
|
||||||
|
'description': ('description', T(self.get_description)),
|
||||||
|
'duration': ('duration', T(float_or_none)),
|
||||||
|
'timestamp': (('updated_at', 'created_at'), T(parse_iso8601)),
|
||||||
|
'release_timestamp': ('created_at', T(parse_iso8601)),
|
||||||
|
})), {
|
||||||
'id': video_id,
|
'id': video_id,
|
||||||
'formats': formats,
|
'formats': formats,
|
||||||
'title': self._og_search_title(webpage, default=video_id),
|
'title': self._og_search_title(webpage, default='Imgur video ' + video_id),
|
||||||
}
|
'description': self.get_description(self._og_search_description(webpage)),
|
||||||
|
'thumbnail': url_or_none(self._html_search_meta('thumbnailUrl', webpage, default=None)),
|
||||||
|
})
|
||||||
|
|
||||||
|
|
||||||
class ImgurGalleryIE(InfoExtractor):
|
class ImgurGalleryBaseIE(ImgurBaseIE):
|
||||||
|
_GALLERY = True
|
||||||
|
|
||||||
|
def _real_extract(self, url):
|
||||||
|
gallery_id = self._match_id(url)
|
||||||
|
|
||||||
|
data = self._call_api('albums', gallery_id, fatal=False, expected_status=404)
|
||||||
|
|
||||||
|
info = traverse_obj(data, {
|
||||||
|
'title': ('title', T(txt_or_none)),
|
||||||
|
'description': ('description', T(self.get_description)),
|
||||||
|
})
|
||||||
|
|
||||||
|
if traverse_obj(data, 'is_album'):
|
||||||
|
|
||||||
|
def yield_media_ids():
|
||||||
|
for m_id in traverse_obj(data, (
|
||||||
|
'media', lambda _, v: v.get('type') == 'video' or v['metadata']['is_animated'],
|
||||||
|
'id', T(txt_or_none))):
|
||||||
|
yield m_id
|
||||||
|
|
||||||
|
# if a gallery with exactly one video, apply album metadata to video
|
||||||
|
media_id = (
|
||||||
|
self._GALLERY
|
||||||
|
and traverse_obj(data, ('image_count', T(lambda c: c == 1)))
|
||||||
|
and next(yield_media_ids(), None))
|
||||||
|
|
||||||
|
if not media_id:
|
||||||
|
result = self.playlist_result(
|
||||||
|
map(self._imgur_result, yield_media_ids()), gallery_id)
|
||||||
|
result.update(info)
|
||||||
|
return result
|
||||||
|
gallery_id = media_id
|
||||||
|
|
||||||
|
result = self._imgur_result(gallery_id)
|
||||||
|
info['_type'] = 'url_transparent'
|
||||||
|
result.update(info)
|
||||||
|
return result
|
||||||
|
|
||||||
|
|
||||||
|
class ImgurGalleryIE(ImgurGalleryBaseIE):
|
||||||
IE_NAME = 'imgur:gallery'
|
IE_NAME = 'imgur:gallery'
|
||||||
_VALID_URL = r'https?://(?:i\.)?imgur\.com/(?:gallery|(?:t(?:opic)?|r)/[^/]+)/(?P<id>[a-zA-Z0-9]+)'
|
_VALID_URL = r'https?://(?:i\.)?imgur\.com/(?:gallery|(?:t(?:opic)?|r)/[^/]+)/(?P<id>[a-zA-Z0-9]+)'
|
||||||
|
|
||||||
|
@ -106,49 +272,93 @@ class ImgurGalleryIE(InfoExtractor):
|
||||||
'title': 'Adding faces make every GIF better',
|
'title': 'Adding faces make every GIF better',
|
||||||
},
|
},
|
||||||
'playlist_count': 25,
|
'playlist_count': 25,
|
||||||
|
'skip': 'Zoinks! You\'ve taken a wrong turn.',
|
||||||
}, {
|
}, {
|
||||||
|
# TODO: static images - replace with animated/video gallery
|
||||||
'url': 'http://imgur.com/topic/Aww/ll5Vk',
|
'url': 'http://imgur.com/topic/Aww/ll5Vk',
|
||||||
'only_matching': True,
|
'only_matching': True,
|
||||||
}, {
|
}, {
|
||||||
'url': 'https://imgur.com/gallery/YcAQlkx',
|
'url': 'https://imgur.com/gallery/YcAQlkx',
|
||||||
|
'add_ies': ['Imgur'],
|
||||||
'info_dict': {
|
'info_dict': {
|
||||||
'id': 'YcAQlkx',
|
'id': 'YcAQlkx',
|
||||||
'ext': 'mp4',
|
'ext': 'mp4',
|
||||||
'title': 'Classic Steve Carell gif...cracks me up everytime....damn the repost downvotes....',
|
'title': 'Classic Steve Carell gif...cracks me up everytime....damn the repost downvotes....',
|
||||||
}
|
'timestamp': 1358554297,
|
||||||
|
'upload_date': '20130119',
|
||||||
|
'uploader_id': '1648642',
|
||||||
|
'uploader': 'wittyusernamehere',
|
||||||
|
},
|
||||||
}, {
|
}, {
|
||||||
|
# TODO: static image - replace with animated/video gallery
|
||||||
'url': 'http://imgur.com/topic/Funny/N8rOudd',
|
'url': 'http://imgur.com/topic/Funny/N8rOudd',
|
||||||
'only_matching': True,
|
'only_matching': True,
|
||||||
}, {
|
}, {
|
||||||
'url': 'http://imgur.com/r/aww/VQcQPhM',
|
'url': 'http://imgur.com/r/aww/VQcQPhM',
|
||||||
'only_matching': True,
|
'add_ies': ['Imgur'],
|
||||||
|
'info_dict': {
|
||||||
|
'id': 'VQcQPhM',
|
||||||
|
'ext': 'mp4',
|
||||||
|
'title': 'The boss is here',
|
||||||
|
'timestamp': 1476494751,
|
||||||
|
'upload_date': '20161015',
|
||||||
|
'uploader_id': '19138530',
|
||||||
|
'uploader': 'thematrixcam',
|
||||||
|
},
|
||||||
|
},
|
||||||
|
# from PR #16674
|
||||||
|
{
|
||||||
|
'url': 'https://imgur.com/t/unmuted/6lAn9VQ',
|
||||||
|
'info_dict': {
|
||||||
|
'id': '6lAn9VQ',
|
||||||
|
'title': 'Penguins !',
|
||||||
|
},
|
||||||
|
'playlist_count': 3,
|
||||||
|
}, {
|
||||||
|
'url': 'https://imgur.com/t/unmuted/kx2uD3C',
|
||||||
|
'add_ies': ['Imgur'],
|
||||||
|
'info_dict': {
|
||||||
|
'id': 'ZVMv45i',
|
||||||
|
'ext': 'mp4',
|
||||||
|
'title': 'Intruder',
|
||||||
|
'timestamp': 1528129683,
|
||||||
|
'upload_date': '20180604',
|
||||||
|
},
|
||||||
|
}, {
|
||||||
|
'url': 'https://imgur.com/t/unmuted/wXSK0YH',
|
||||||
|
'add_ies': ['Imgur'],
|
||||||
|
'info_dict': {
|
||||||
|
'id': 'JCAP4io',
|
||||||
|
'ext': 'mp4',
|
||||||
|
'title': 're:I got the blues$',
|
||||||
|
'description': 'Luka’s vocal stylings.\n\nFP edit: don’t encourage me. I’ll never stop posting Luka and friends.',
|
||||||
|
'timestamp': 1527809525,
|
||||||
|
'upload_date': '20180531',
|
||||||
|
},
|
||||||
}]
|
}]
|
||||||
|
|
||||||
def _real_extract(self, url):
|
|
||||||
gallery_id = self._match_id(url)
|
|
||||||
|
|
||||||
data = self._download_json(
|
class ImgurAlbumIE(ImgurGalleryBaseIE):
|
||||||
'https://imgur.com/gallery/%s.json' % gallery_id,
|
|
||||||
gallery_id)['data']['image']
|
|
||||||
|
|
||||||
if data.get('is_album'):
|
|
||||||
entries = [
|
|
||||||
self.url_result('http://imgur.com/%s' % image['hash'], ImgurIE.ie_key(), image['hash'])
|
|
||||||
for image in data['album_images']['images'] if image.get('hash')]
|
|
||||||
return self.playlist_result(entries, gallery_id, data.get('title'), data.get('description'))
|
|
||||||
|
|
||||||
return self.url_result('http://imgur.com/%s' % gallery_id, ImgurIE.ie_key(), gallery_id)
|
|
||||||
|
|
||||||
|
|
||||||
class ImgurAlbumIE(ImgurGalleryIE):
|
|
||||||
IE_NAME = 'imgur:album'
|
IE_NAME = 'imgur:album'
|
||||||
_VALID_URL = r'https?://(?:i\.)?imgur\.com/a/(?P<id>[a-zA-Z0-9]+)'
|
_VALID_URL = r'https?://(?:i\.)?imgur\.com/a/(?P<id>[a-zA-Z0-9]+)'
|
||||||
|
_GALLERY = False
|
||||||
_TESTS = [{
|
_TESTS = [{
|
||||||
|
# TODO: only static images - replace with animated/video gallery
|
||||||
'url': 'http://imgur.com/a/j6Orj',
|
'url': 'http://imgur.com/a/j6Orj',
|
||||||
'info_dict': {
|
'only_matching': True,
|
||||||
'id': 'j6Orj',
|
|
||||||
'title': 'A Literary Analysis of "Star Wars: The Force Awakens"',
|
|
||||||
},
|
},
|
||||||
'playlist_count': 12,
|
# from PR #21693
|
||||||
|
{
|
||||||
|
'url': 'https://imgur.com/a/iX265HX',
|
||||||
|
'info_dict': {
|
||||||
|
'id': 'iX265HX',
|
||||||
|
'title': 'enen-no-shouboutai'
|
||||||
|
},
|
||||||
|
'playlist_count': 2,
|
||||||
|
}, {
|
||||||
|
'url': 'https://imgur.com/a/8pih2Ed',
|
||||||
|
'info_dict': {
|
||||||
|
'id': '8pih2Ed'
|
||||||
|
},
|
||||||
|
'playlist_mincount': 1,
|
||||||
}]
|
}]
|
||||||
|
|
Loading…
Reference in New Issue