youtube_dl/extractor/common.py

   1 import base64
   2 import hashlib
   3 import json
   4 import os
   5 import re
   6 import socket
   7 import sys
   8 import netrc
   9 import xml.etree.ElementTree
  10
  11 from ..utils import (
  12     compat_http_client,
  13     compat_urllib_error,
  14     compat_urllib_parse_urlparse,
  15     compat_str,
  16
  17     clean_html,
  18     compiled_regex_type,
  19     ExtractorError,
  20     RegexNotFoundError,
  21     sanitize_filename,
  22     unescapeHTML,
  23 )
  24 _NO_DEFAULT = object()
  25
  26
  27 class InfoExtractor(object):
  28     """Information Extractor class.
  29
  30     Information extractors are the classes that, given a URL, extract
  31     information about the video (or videos) the URL refers to. This
  32     information includes the real video URL, the video title, author and
  33     others. The information is stored in a dictionary which is then
  34     passed to the FileDownloader. The FileDownloader processes this
  35     information possibly downloading the video to the file system, among
  36     other possible outcomes.
  37
  38     The dictionaries must include the following fields:
  39
  40     id:             Video identifier.
  41     title:          Video title, unescaped.
  42
  43     Additionally, it must contain either a formats entry or a url one:
  44
  45     formats:        A list of dictionaries for each format available, ordered
  46                     from worst to best quality.
  47
  48                     Potential fields:
  49                     * url        Mandatory. The URL of the video file
  50                     * ext        Will be calculated from url if missing
  51                     * format     A human-readable description of the format
  52                                  ("mp4 container with h264/opus").
  53                                  Calculated from the format_id, width, height.
  54                                  and format_note fields if missing.
  55                     * format_id  A short description of the format
  56                                  ("mp4_h264_opus" or "19").
  57                                 Technically optional, but strongly recommended.
  58                     * format_note Additional info about the format
  59                                  ("3D" or "DASH video")
  60                     * width      Width of the video, if known
  61                     * height     Height of the video, if known
  62                     * resolution Textual description of width and height
  63                     * tbr        Average bitrate of audio and video in KBit/s
  64                     * abr        Average audio bitrate in KBit/s
  65                     * acodec     Name of the audio codec in use
  66                     * asr        Audio sampling rate in Hertz
  67                     * vbr        Average video bitrate in KBit/s
  68                     * vcodec     Name of the video codec in use
  69                     * container  Name of the container format
  70                     * filesize   The number of bytes, if known in advance
  71                     * player_url SWF Player URL (used for rtmpdump).
  72                     * protocol   The protocol that will be used for the actual
  73                                  download, lower-case.
  74                                  "http", "https", "rtsp", "rtmp", "m3u8" or so.
  75                     * preference Order number of this format. If this field is
  76                                  present and not None, the formats get sorted
  77                                  by this field, regardless of all other values.
  78                                  -1 for default (order by other properties),
  79                                  -2 or smaller for less than default.
  80                     * quality    Order number of the video quality of this
  81                                  format, irrespective of the file format.
  82                                  -1 for default (order by other properties),
  83                                  -2 or smaller for less than default.
  84     url:            Final video URL.
  85     ext:            Video filename extension.
  86     format:         The video format, defaults to ext (used for --get-format)
  87     player_url:     SWF Player URL (used for rtmpdump).
  88
  89     The following fields are optional:
  90
  91     display_id      An alternative identifier for the video, not necessarily
  92                     unique, but available before title. Typically, id is
  93                     something like "4234987", title "Dancing naked mole rats",
  94                     and display_id "dancing-naked-mole-rats"
  95     thumbnails:     A list of dictionaries (with the entries "resolution" and
  96                     "url") for the varying thumbnails
  97     thumbnail:      Full URL to a video thumbnail image.
  98     description:    One-line video description.
  99     uploader:       Full name of the video uploader.
 100     timestamp:      UNIX timestamp of the moment the video became available.
 101     upload_date:    Video upload date (YYYYMMDD).
 102                     If not explicitly set, calculated from timestamp.
 103     uploader_id:    Nickname or id of the video uploader.
 104     location:       Physical location of the video.
 105     subtitles:      The subtitle file contents as a dictionary in the format
 106                     {language: subtitles}.
 107     duration:       Length of the video in seconds, as an integer.
 108     view_count:     How many users have watched the video on the platform.
 109     like_count:     Number of positive ratings of the video
 110     dislike_count:  Number of negative ratings of the video
 111     comment_count:  Number of comments on the video
 112     age_limit:      Age restriction for the video, as an integer (years)
 113     webpage_url:    The url to the video webpage, if given to youtube-dl it
 114                     should allow to get the same result again. (It will be set
 115                     by YoutubeDL if it's missing)
 116
 117     Unless mentioned otherwise, the fields should be Unicode strings.
 118
 119     Subclasses of this one should re-define the _real_initialize() and
 120     _real_extract() methods and define a _VALID_URL regexp.
 121     Probably, they should also be added to the list of extractors.
 122
 123     Finally, the _WORKING attribute should be set to False for broken IEs
 124     in order to warn the users and skip the tests.
 125     """
 126
 127     _ready = False
 128     _downloader = None
 129     _WORKING = True
 130
 131     def __init__(self, downloader=None):
 132         """Constructor. Receives an optional downloader."""
 133         self._ready = False
 134         self.set_downloader(downloader)
 135
 136     @classmethod
 137     def suitable(cls, url):
 138         """Receives a URL and returns True if suitable for this IE."""
 139
 140         # This does not use has/getattr intentionally - we want to know whether
 141         # we have cached the regexp for *this* class, whereas getattr would also
 142         # match the superclass
 143         if '_VALID_URL_RE' not in cls.__dict__:
 144             cls._VALID_URL_RE = re.compile(cls._VALID_URL)
 145         return cls._VALID_URL_RE.match(url) is not None
 146
 147     @classmethod
 148     def working(cls):
 149         """Getter method for _WORKING."""
 150         return cls._WORKING
 151
 152     def initialize(self):
 153         """Initializes an instance (authentication, etc)."""
 154         if not self._ready:
 155             self._real_initialize()
 156             self._ready = True
 157
 158     def extract(self, url):
 159         """Extracts URL information and returns it in list of dicts."""
 160         self.initialize()
 161         return self._real_extract(url)
 162
 163     def set_downloader(self, downloader):
 164         """Sets the downloader for this IE."""
 165         self._downloader = downloader
 166
 167     def _real_initialize(self):
 168         """Real initialization process. Redefine in subclasses."""
 169         pass
 170
 171     def _real_extract(self, url):
 172         """Real extraction process. Redefine in subclasses."""
 173         pass
 174
 175     @classmethod
 176     def ie_key(cls):
 177         """A string for getting the InfoExtractor with get_info_extractor"""
 178         return cls.__name__[:-2]
 179
 180     @property
 181     def IE_NAME(self):
 182         return type(self).__name__[:-2]
 183
 184     def _request_webpage(self, url_or_request, video_id, note=None, errnote=None, fatal=True):
 185         """ Returns the response handle """
 186         if note is None:
 187             self.report_download_webpage(video_id)
 188         elif note is not False:
 189             if video_id is None:
 190                 self.to_screen(u'%s' % (note,))
 191             else:
 192                 self.to_screen(u'%s: %s' % (video_id, note))
 193         try:
 194             return self._downloader.urlopen(url_or_request)
 195         except (compat_urllib_error.URLError, compat_http_client.HTTPException, socket.error) as err:
 196             if errnote is False:
 197                 return False
 198             if errnote is None:
 199                 errnote = u'Unable to download webpage'
 200             errmsg = u'%s: %s' % (errnote, compat_str(err))
 201             if fatal:
 202                 raise ExtractorError(errmsg, sys.exc_info()[2], cause=err)
 203             else:
 204                 self._downloader.report_warning(errmsg)
 205                 return False
 206
 207     def _download_webpage_handle(self, url_or_request, video_id, note=None, errnote=None, fatal=True):
 208         """ Returns a tuple (page content as string, URL handle) """
 209
 210         # Strip hashes from the URL (#1038)
 211         if isinstance(url_or_request, (compat_str, str)):
 212             url_or_request = url_or_request.partition('#')[0]
 213
 214         urlh = self._request_webpage(url_or_request, video_id, note, errnote, fatal)
 215         if urlh is False:
 216             assert not fatal
 217             return False
 218         content_type = urlh.headers.get('Content-Type', '')
 219         webpage_bytes = urlh.read()
 220         m = re.match(r'[a-zA-Z0-9_.-]+/[a-zA-Z0-9_.-]+\s*;\s*charset=(.+)', content_type)
 221         if m:
 222             encoding = m.group(1)
 223         else:
 224             m = re.search(br'<meta[^>]+charset=[\'"]?([^\'")]+)[ /\'">]',
 225                           webpage_bytes[:1024])
 226             if m:
 227                 encoding = m.group(1).decode('ascii')
 228             elif webpage_bytes.startswith(b'\xff\xfe'):
 229                 encoding = 'utf-16'
 230             else:
 231                 encoding = 'utf-8'
 232         if self._downloader.params.get('dump_intermediate_pages', False):
 233             try:
 234                 url = url_or_request.get_full_url()
 235             except AttributeError:
 236                 url = url_or_request
 237             self.to_screen(u'Dumping request to ' + url)
 238             dump = base64.b64encode(webpage_bytes).decode('ascii')
 239             self._downloader.to_screen(dump)
 240         if self._downloader.params.get('write_pages', False):
 241             try:
 242                 url = url_or_request.get_full_url()
 243             except AttributeError:
 244                 url = url_or_request
 245             basen = video_id + '_' + url
 246             if len(basen) > 240:
 247                 h = u'___' + hashlib.md5(basen.encode('utf-8')).hexdigest()
 248                 basen = basen[:240 - len(h)] + h
 249             raw_filename = basen + '.dump'
 250             filename = sanitize_filename(raw_filename, restricted=True)
 251             self.to_screen(u'Saving request to ' + filename)
 252             with open(filename, 'wb') as outf:
 253                 outf.write(webpage_bytes)
 254
 255         try:
 256             content = webpage_bytes.decode(encoding, 'replace')
 257         except LookupError:
 258             content = webpage_bytes.decode('utf-8', 'replace')
 259
 260         if (u'<title>Access to this site is blocked</title>' in content and
 261                 u'Websense' in content[:512]):
 262             msg = u'Access to this webpage has been blocked by Websense filtering software in your network.'
 263             blocked_iframe = self._html_search_regex(
 264                 r'<iframe src="([^"]+)"', content,
 265                 u'Websense information URL', default=None)
 266             if blocked_iframe:
 267                 msg += u' Visit %s for more details' % blocked_iframe
 268             raise ExtractorError(msg, expected=True)
 269
 270         return (content, urlh)
 271
 272     def _download_webpage(self, url_or_request, video_id, note=None, errnote=None, fatal=True):
 273         """ Returns the data of the page as a string """
 274         res = self._download_webpage_handle(url_or_request, video_id, note, errnote, fatal)
 275         if res is False:
 276             return res
 277         else:
 278             content, _ = res
 279             return content
 280
 281     def _download_xml(self, url_or_request, video_id,
 282                       note=u'Downloading XML', errnote=u'Unable to download XML',
 283                       transform_source=None, fatal=True):
 284         """Return the xml as an xml.etree.ElementTree.Element"""
 285         xml_string = self._download_webpage(
 286             url_or_request, video_id, note, errnote, fatal=fatal)
 287         if xml_string is False:
 288             return xml_string
 289         if transform_source:
 290             xml_string = transform_source(xml_string)
 291         return xml.etree.ElementTree.fromstring(xml_string.encode('utf-8'))
 292
 293     def _download_json(self, url_or_request, video_id,
 294                        note=u'Downloading JSON metadata',
 295                        errnote=u'Unable to download JSON metadata',
 296                        transform_source=None):
 297         json_string = self._download_webpage(url_or_request, video_id, note, errnote)
 298         if transform_source:
 299             json_string = transform_source(json_string)
 300         try:
 301             return json.loads(json_string)
 302         except ValueError as ve:
 303             raise ExtractorError('Failed to download JSON', cause=ve)
 304
 305     def report_warning(self, msg, video_id=None):
 306         idstr = u'' if video_id is None else u'%s: ' % video_id
 307         self._downloader.report_warning(
 308             u'[%s] %s%s' % (self.IE_NAME, idstr, msg))
 309
 310     def to_screen(self, msg):
 311         """Print msg to screen, prefixing it with '[ie_name]'"""
 312         self._downloader.to_screen(u'[%s] %s' % (self.IE_NAME, msg))
 313
 314     def report_extraction(self, id_or_name):
 315         """Report information extraction."""
 316         self.to_screen(u'%s: Extracting information' % id_or_name)
 317
 318     def report_download_webpage(self, video_id):
 319         """Report webpage download."""
 320         self.to_screen(u'%s: Downloading webpage' % video_id)
 321
 322     def report_age_confirmation(self):
 323         """Report attempt to confirm age."""
 324         self.to_screen(u'Confirming age')
 325
 326     def report_login(self):
 327         """Report attempt to log in."""
 328         self.to_screen(u'Logging in')
 329
 330     #Methods for following #608
 331     @staticmethod
 332     def url_result(url, ie=None, video_id=None):
 333         """Returns a url that points to a page that should be processed"""
 334         #TODO: ie should be the class used for getting the info
 335         video_info = {'_type': 'url',
 336                       'url': url,
 337                       'ie_key': ie}
 338         if video_id is not None:
 339             video_info['id'] = video_id
 340         return video_info
 341     @staticmethod
 342     def playlist_result(entries, playlist_id=None, playlist_title=None):
 343         """Returns a playlist"""
 344         video_info = {'_type': 'playlist',
 345                       'entries': entries}
 346         if playlist_id:
 347             video_info['id'] = playlist_id
 348         if playlist_title:
 349             video_info['title'] = playlist_title
 350         return video_info
 351
 352     def _search_regex(self, pattern, string, name, default=_NO_DEFAULT, fatal=True, flags=0):
 353         """
 354         Perform a regex search on the given string, using a single or a list of
 355         patterns returning the first matching group.
 356         In case of failure return a default value or raise a WARNING or a
 357         RegexNotFoundError, depending on fatal, specifying the field name.
 358         """
 359         if isinstance(pattern, (str, compat_str, compiled_regex_type)):
 360             mobj = re.search(pattern, string, flags)
 361         else:
 362             for p in pattern:
 363                 mobj = re.search(p, string, flags)
 364                 if mobj: break
 365
 366         if os.name != 'nt' and sys.stderr.isatty():
 367             _name = u'\033[0;34m%s\033[0m' % name
 368         else:
 369             _name = name
 370
 371         if mobj:
 372             # return the first matching group
 373             return next(g for g in mobj.groups() if g is not None)
 374         elif default is not _NO_DEFAULT:
 375             return default
 376         elif fatal:
 377             raise RegexNotFoundError(u'Unable to extract %s' % _name)
 378         else:
 379             self._downloader.report_warning(u'unable to extract %s; '
 380                 u'please report this issue on http://yt-dl.org/bug' % _name)
 381             return None
 382
 383     def _html_search_regex(self, pattern, string, name, default=_NO_DEFAULT, fatal=True, flags=0):
 384         """
 385         Like _search_regex, but strips HTML tags and unescapes entities.
 386         """
 387         res = self._search_regex(pattern, string, name, default, fatal, flags)
 388         if res:
 389             return clean_html(res).strip()
 390         else:
 391             return res
 392
 393     def _get_login_info(self):
 394         """
 395         Get the the login info as (username, password)
 396         It will look in the netrc file using the _NETRC_MACHINE value
 397         If there's no info available, return (None, None)
 398         """
 399         if self._downloader is None:
 400             return (None, None)
 401
 402         username = None
 403         password = None
 404         downloader_params = self._downloader.params
 405
 406         # Attempt to use provided username and password or .netrc data
 407         if downloader_params.get('username', None) is not None:
 408             username = downloader_params['username']
 409             password = downloader_params['password']
 410         elif downloader_params.get('usenetrc', False):
 411             try:
 412                 info = netrc.netrc().authenticators(self._NETRC_MACHINE)
 413                 if info is not None:
 414                     username = info[0]
 415                     password = info[2]
 416                 else:
 417                     raise netrc.NetrcParseError('No authenticators for %s' % self._NETRC_MACHINE)
 418             except (IOError, netrc.NetrcParseError) as err:
 419                 self._downloader.report_warning(u'parsing .netrc: %s' % compat_str(err))
 420
 421         return (username, password)
 422
 423     # Helper functions for extracting OpenGraph info
 424     @staticmethod
 425     def _og_regexes(prop):
 426         content_re = r'content=(?:"([^>]+?)"|\'([^>]+?)\')'
 427         property_re = r'(?:name|property)=[\'"]og:%s[\'"]' % re.escape(prop)
 428         template = r'<meta[^>]+?%s[^>]+?%s'
 429         return [
 430             template % (property_re, content_re),
 431             template % (content_re, property_re),
 432         ]
 433
 434     def _og_search_property(self, prop, html, name=None, **kargs):
 435         if name is None:
 436             name = 'OpenGraph %s' % prop
 437         escaped = self._search_regex(self._og_regexes(prop), html, name, flags=re.DOTALL, **kargs)
 438         if escaped is None:
 439             return None
 440         return unescapeHTML(escaped)
 441
 442     def _og_search_thumbnail(self, html, **kargs):
 443         return self._og_search_property('image', html, u'thumbnail url', fatal=False, **kargs)
 444
 445     def _og_search_description(self, html, **kargs):
 446         return self._og_search_property('description', html, fatal=False, **kargs)
 447
 448     def _og_search_title(self, html, **kargs):
 449         return self._og_search_property('title', html, **kargs)
 450
 451     def _og_search_video_url(self, html, name='video url', secure=True, **kargs):
 452         regexes = self._og_regexes('video')
 453         if secure: regexes = self._og_regexes('video:secure_url') + regexes
 454         return self._html_search_regex(regexes, html, name, **kargs)
 455
 456     def _html_search_meta(self, name, html, display_name=None, fatal=False):
 457         if display_name is None:
 458             display_name = name
 459         return self._html_search_regex(
 460             r'''(?ix)<meta
 461                     (?=[^>]+(?:itemprop|name|property)=["\']%s["\'])
 462                     [^>]+content=["\']([^"\']+)["\']''' % re.escape(name),
 463             html, display_name, fatal=fatal)
 464
 465     def _dc_search_uploader(self, html):
 466         return self._html_search_meta('dc.creator', html, 'uploader')
 467
 468     def _rta_search(self, html):
 469         # See http://www.rtalabel.org/index.php?content=howtofaq#single
 470         if re.search(r'(?ix)<meta\s+name="rating"\s+'
 471                      r'     content="RTA-5042-1996-1400-1577-RTA"',
 472                      html):
 473             return 18
 474         return 0
 475
 476     def _media_rating_search(self, html):
 477         # See http://www.tjg-designs.com/WP/metadata-code-examples-adding-metadata-to-your-web-pages/
 478         rating = self._html_search_meta('rating', html)
 479
 480         if not rating:
 481             return None
 482
 483         RATING_TABLE = {
 484             'safe for kids': 0,
 485             'general': 8,
 486             '14 years': 14,
 487             'mature': 17,
 488             'restricted': 19,
 489         }
 490         return RATING_TABLE.get(rating.lower(), None)
 491
 492     def _twitter_search_player(self, html):
 493         return self._html_search_meta('twitter:player', html,
 494             'twitter card player')
 495
 496     def _sort_formats(self, formats):
 497         if not formats:
 498             raise ExtractorError(u'No video formats found')
 499
 500         def _formats_key(f):
 501             # TODO remove the following workaround
 502             from ..utils import determine_ext
 503             if not f.get('ext') and 'url' in f:
 504                 f['ext'] = determine_ext(f['url'])
 505
 506             preference = f.get('preference')
 507             if preference is None:
 508                 proto = f.get('protocol')
 509                 if proto is None:
 510                     proto = compat_urllib_parse_urlparse(f.get('url', '')).scheme
 511
 512                 preference = 0 if proto in ['http', 'https'] else -0.1
 513                 if f.get('ext') in ['f4f', 'f4m']:  # Not yet supported
 514                     preference -= 0.5
 515
 516             if f.get('vcodec') == 'none':  # audio only
 517                 if self._downloader.params.get('prefer_free_formats'):
 518                     ORDER = [u'aac', u'mp3', u'm4a', u'webm', u'ogg', u'opus']
 519                 else:
 520                     ORDER = [u'webm', u'opus', u'ogg', u'mp3', u'aac', u'm4a']
 521                 ext_preference = 0
 522                 try:
 523                     audio_ext_preference = ORDER.index(f['ext'])
 524                 except ValueError:
 525                     audio_ext_preference = -1
 526             else:
 527                 if self._downloader.params.get('prefer_free_formats'):
 528                     ORDER = [u'flv', u'mp4', u'webm']
 529                 else:
 530                     ORDER = [u'webm', u'flv', u'mp4']
 531                 try:
 532                     ext_preference = ORDER.index(f['ext'])
 533                 except ValueError:
 534                     ext_preference = -1
 535                 audio_ext_preference = 0
 536
 537             return (
 538                 preference,
 539                 f.get('quality') if f.get('quality') is not None else -1,
 540                 f.get('height') if f.get('height') is not None else -1,
 541                 f.get('width') if f.get('width') is not None else -1,
 542                 ext_preference,
 543                 f.get('tbr') if f.get('tbr') is not None else -1,
 544                 f.get('vbr') if f.get('vbr') is not None else -1,
 545                 f.get('abr') if f.get('abr') is not None else -1,
 546                 audio_ext_preference,
 547                 f.get('filesize') if f.get('filesize') is not None else -1,
 548                 f.get('format_id'),
 549             )
 550         formats.sort(key=_formats_key)
 551
 552     def http_scheme(self):
 553         """ Either "https:" or "https:", depending on the user's preferences """
 554         return (
 555             'http:'
 556             if self._downloader.params.get('prefer_insecure', False)
 557             else 'https:')
 558
 559     def _proto_relative_url(self, url, scheme=None):
 560         if url is None:
 561             return url
 562         if url.startswith('//'):
 563             if scheme is None:
 564                 scheme = self.http_scheme()
 565             return scheme + url
 566         else:
 567             return url
 568
 569
 570 class SearchInfoExtractor(InfoExtractor):
 571     """
 572     Base class for paged search queries extractors.
 573     They accept urls in the format _SEARCH_KEY(|all|[0-9]):{query}
 574     Instances should define _SEARCH_KEY and _MAX_RESULTS.
 575     """
 576
 577     @classmethod
 578     def _make_valid_url(cls):
 579         return r'%s(?P<prefix>|[1-9][0-9]*|all):(?P<query>[\s\S]+)' % cls._SEARCH_KEY
 580
 581     @classmethod
 582     def suitable(cls, url):
 583         return re.match(cls._make_valid_url(), url) is not None
 584
 585     def _real_extract(self, query):
 586         mobj = re.match(self._make_valid_url(), query)
 587         if mobj is None:
 588             raise ExtractorError(u'Invalid search query "%s"' % query)
 589
 590         prefix = mobj.group('prefix')
 591         query = mobj.group('query')
 592         if prefix == '':
 593             return self._get_n_results(query, 1)
 594         elif prefix == 'all':
 595             return self._get_n_results(query, self._MAX_RESULTS)
 596         else:
 597             n = int(prefix)
 598             if n <= 0:
 599                 raise ExtractorError(u'invalid download number %s for query "%s"' % (n, query))
 600             elif n > self._MAX_RESULTS:
 601                 self._downloader.report_warning(u'%s returns max %i results (you requested %i)' % (self._SEARCH_KEY, self._MAX_RESULTS, n))
 602                 n = self._MAX_RESULTS
 603             return self._get_n_results(query, n)
 604
 605     def _get_n_results(self, query, n):
 606         """Get a specified number of results for a query"""
 607         raise NotImplementedError("This method must be implemented by subclasses")
 608
 609     @property
 610     def SEARCH_KEY(self):
 611         return self._SEARCH_KEY
 612