[rozhlas] Fix regexes and improve extraction (Closes #10253)

This commit is contained in:
Sergey M․ 2016-08-08 04:58:02 +07:00
parent e1f93a0a76
commit de02d1f4e9
No known key found for this signature in database
GPG key ID: 2C393E0F18A9236D

View file

@ -2,11 +2,15 @@
from __future__ import unicode_literals from __future__ import unicode_literals
from .common import InfoExtractor from .common import InfoExtractor
from ..utils import (
int_or_none,
remove_start,
)
class RozhlasIE(InfoExtractor): class RozhlasIE(InfoExtractor):
_VALID_URL = r'https?://(?:www\.)?prehravac\.rozhlas\.cz/audio/(?P<id>[0-9]+)' _VALID_URL = r'https?://(?:www\.)?prehravac\.rozhlas\.cz/audio/(?P<id>[0-9]+)'
_TEST = { _TESTS = [{
'url': 'http://prehravac.rozhlas.cz/audio/3421320', 'url': 'http://prehravac.rozhlas.cz/audio/3421320',
'md5': '504c902dbc9e9a1fd50326eccf02a7e2', 'md5': '504c902dbc9e9a1fd50326eccf02a7e2',
'info_dict': { 'info_dict': {
@ -15,20 +19,32 @@ class RozhlasIE(InfoExtractor):
'title': 'Echo Pavla Klusáka (30.06.2015 21:00)', 'title': 'Echo Pavla Klusáka (30.06.2015 21:00)',
'description': 'Osmdesátiny Terryho Rileyho jsou skvělou příležitostí proletět se elektronickými i akustickými díly zakladatatele minimalismu, který je aktivní už přes padesát let' 'description': 'Osmdesátiny Terryho Rileyho jsou skvělou příležitostí proletět se elektronickými i akustickými díly zakladatatele minimalismu, který je aktivní už přes padesát let'
} }
} }, {
'url': 'http://prehravac.rozhlas.cz/audio/3421320/embed',
'skip_download': True,
}]
def _real_extract(self, url): def _real_extract(self, url):
audio_id = self._match_id(url) audio_id = self._match_id(url)
webpage = self._download_webpage(url, audio_id)
title = self._html_search_regex(r'<h3>(.+?)</h3>', webpage, 'title') webpage = self._download_webpage(
description = self._html_search_regex(r'<p title="(.+?)">', webpage, 'description', fatal=False) 'http://prehravac.rozhlas.cz/audio/%s' % audio_id, audio_id)
url = 'http://media.rozhlas.cz/_audio/' + audio_id + '.mp3' title = self._html_search_regex(
r'<h3>(.+?)</h3>\s*<p[^>]*>.*?</p>\s*<div[^>]+id=["\']player-track',
webpage, 'title', default=None) or remove_start(
self._og_search_title(webpage), 'Radio Wave - ')
description = self._html_search_regex(
r'<p[^>]+title=(["\'])(?P<url>(?:(?!\1).)+)\1[^>]*>.*?</p>\s*<div[^>]+id=["\']player-track',
webpage, 'description', fatal=False, group='url')
duration = int_or_none(self._search_regex(
r'data-duration=["\'](\d+)', webpage, 'duration', default=None))
return { return {
'id': audio_id, 'id': audio_id,
'url': url, 'url': 'http://media.rozhlas.cz/_audio/%s.mp3' % audio_id,
'title': title, 'title': title,
'description': description, 'description': description,
'duration': duration,
'vcodec': 'none',
} }