extract scraper and subtitle writer to separate files
This commit is contained in:
parent
5163160bf3
commit
8366e4a29c
169
main.go
169
main.go
@ -2,8 +2,6 @@ package main
|
|||||||
|
|
||||||
import (
|
import (
|
||||||
"context"
|
"context"
|
||||||
"encoding/json"
|
|
||||||
"errors"
|
|
||||||
"flag"
|
"flag"
|
||||||
"fmt"
|
"fmt"
|
||||||
"hash/crc32"
|
"hash/crc32"
|
||||||
@ -13,175 +11,8 @@ import (
|
|||||||
"os"
|
"os"
|
||||||
"os/exec"
|
"os/exec"
|
||||||
"path/filepath"
|
"path/filepath"
|
||||||
"regexp"
|
|
||||||
"strconv"
|
|
||||||
"strings"
|
|
||||||
"time"
|
|
||||||
)
|
)
|
||||||
|
|
||||||
type loadTupContent struct {
|
|
||||||
Title string
|
|
||||||
VideoID string
|
|
||||||
Interval float64
|
|
||||||
Secs []float64
|
|
||||||
Caps []string
|
|
||||||
Scrsecs []float64
|
|
||||||
Scrcaps []string
|
|
||||||
}
|
|
||||||
|
|
||||||
func parse_json_floats(part []byte) ([]float64, error) {
|
|
||||||
secsStrings := make([]string, 0)
|
|
||||||
err := json.Unmarshal(part, &secsStrings)
|
|
||||||
if err != nil {
|
|
||||||
return nil, err
|
|
||||||
}
|
|
||||||
ret := make([]float64, 0, len(secsStrings))
|
|
||||||
for _, sec := range secsStrings {
|
|
||||||
ff, err := strconv.ParseFloat(sec, 64)
|
|
||||||
if err != nil {
|
|
||||||
return nil, err
|
|
||||||
}
|
|
||||||
ret = append(ret, ff)
|
|
||||||
}
|
|
||||||
return ret, nil
|
|
||||||
}
|
|
||||||
|
|
||||||
func NewLoadTupContent(content []byte) (*loadTupContent, error) {
|
|
||||||
|
|
||||||
var err error
|
|
||||||
rx := regexp.MustCompile(`videoIdMain = "([^"]+)";var interval = (\d+);var secs = (.+?);var caps = (.+?);var scrsecs = (.+?);var scrcaps = (.+?);</script>`)
|
|
||||||
|
|
||||||
parts := rx.FindStringSubmatch(string(content))
|
|
||||||
if parts == nil {
|
|
||||||
return nil, errors.New("Missing video properties in HTML page")
|
|
||||||
}
|
|
||||||
|
|
||||||
if len(parts) != 7 {
|
|
||||||
return nil, fmt.Errorf("expected len(parts)=7, got %d", len(parts))
|
|
||||||
}
|
|
||||||
|
|
||||||
ltc := loadTupContent{}
|
|
||||||
ltc.VideoID = parts[1]
|
|
||||||
ltc.Interval, err = strconv.ParseFloat(parts[2], 64)
|
|
||||||
if err != nil {
|
|
||||||
return nil, err
|
|
||||||
}
|
|
||||||
|
|
||||||
ltc.Secs, err = parse_json_floats([]byte(parts[3]))
|
|
||||||
if err != nil {
|
|
||||||
return nil, err
|
|
||||||
}
|
|
||||||
|
|
||||||
err = json.Unmarshal([]byte(parts[4]), <c.Caps)
|
|
||||||
if err != nil {
|
|
||||||
return nil, err
|
|
||||||
}
|
|
||||||
|
|
||||||
ltc.Scrsecs, err = parse_json_floats([]byte(parts[5]))
|
|
||||||
if err != nil {
|
|
||||||
return nil, err
|
|
||||||
}
|
|
||||||
|
|
||||||
err = json.Unmarshal([]byte(parts[6]), <c.Scrcaps)
|
|
||||||
if err != nil {
|
|
||||||
return nil, err
|
|
||||||
}
|
|
||||||
|
|
||||||
// Parse the page title
|
|
||||||
|
|
||||||
rx = regexp.MustCompile(`(?ms)<h2 style="margin:0 0 0 0;">(.+?)</h2>`)
|
|
||||||
parts = rx.FindStringSubmatch(string(content))
|
|
||||||
if parts == nil {
|
|
||||||
return nil, errors.New("Missing title in HTML page")
|
|
||||||
}
|
|
||||||
|
|
||||||
if len(parts) != 2 {
|
|
||||||
return nil, fmt.Errorf("expected len(parts)=2, got %d", len(parts))
|
|
||||||
}
|
|
||||||
|
|
||||||
ltc.Title = strings.TrimSpace(parts[1])
|
|
||||||
|
|
||||||
return <c, nil
|
|
||||||
}
|
|
||||||
|
|
||||||
func (ltc *loadTupContent) Validate() error {
|
|
||||||
if len(ltc.Secs) != len(ltc.Caps) {
|
|
||||||
return fmt.Errorf("secs/caps length mismatch")
|
|
||||||
}
|
|
||||||
|
|
||||||
if len(ltc.Scrsecs) != len(ltc.Scrcaps) {
|
|
||||||
return fmt.Errorf("scrsecs/scrcaps length mismatch")
|
|
||||||
}
|
|
||||||
|
|
||||||
if !(len(ltc.Scrcaps) == 0 || ltc.Scrcaps[0] == "") {
|
|
||||||
return errors.New("unsupported use of strcaps")
|
|
||||||
}
|
|
||||||
|
|
||||||
if len(ltc.VideoID) == 0 {
|
|
||||||
return errors.New("unexpected blank video ID")
|
|
||||||
}
|
|
||||||
|
|
||||||
if ltc.Interval != 100.0 {
|
|
||||||
return errors.New("unsupported non-100 duration field")
|
|
||||||
}
|
|
||||||
|
|
||||||
return nil
|
|
||||||
}
|
|
||||||
|
|
||||||
func secs_to_srt_time(secs float64) string {
|
|
||||||
dur := time.Duration(secs) * time.Second
|
|
||||||
|
|
||||||
hh := int64(dur.Hours())
|
|
||||||
mm := int64(dur.Minutes()) - (hh * 60)
|
|
||||||
ss := int64(dur.Seconds()) - (hh * 3600) - (mm * 60)
|
|
||||||
ms := int64(dur.Milliseconds()) - (hh * 3600000) - (mm * 60000) - (ss * 1000)
|
|
||||||
|
|
||||||
return fmt.Sprintf("%02d:%02d:%02d,%03d", hh, mm, ss, ms)
|
|
||||||
}
|
|
||||||
|
|
||||||
func (ltc *loadTupContent) WriteSRT(w io.Writer) error {
|
|
||||||
/*
|
|
||||||
|
|
||||||
SRT file format (example from Wikipedia):
|
|
||||||
|
|
||||||
1
|
|
||||||
00:02:17,440 --> 00:02:20,375
|
|
||||||
Senator, we're making
|
|
||||||
our final approach into Coruscant.
|
|
||||||
|
|
||||||
2
|
|
||||||
00:02:20,476 --> 00:02:22,501
|
|
||||||
Very good, Lieutenant.
|
|
||||||
*/
|
|
||||||
|
|
||||||
ctr := 1
|
|
||||||
for i := 0; i < len(ltc.Caps); i += 1 {
|
|
||||||
if ltc.Caps[i] == "" {
|
|
||||||
// Don't show anything
|
|
||||||
continue
|
|
||||||
}
|
|
||||||
|
|
||||||
start := secs_to_srt_time(ltc.Secs[i])
|
|
||||||
var end string
|
|
||||||
if i < len(ltc.Caps)-1 {
|
|
||||||
end = secs_to_srt_time(ltc.Secs[i+1])
|
|
||||||
} else {
|
|
||||||
// The final subtitle. We don't know how long it should be displayed
|
|
||||||
// for since we don't know the entire video's duration
|
|
||||||
// FIXME supply
|
|
||||||
// Assume 3 seconds
|
|
||||||
end = secs_to_srt_time(ltc.Secs[i] + 3)
|
|
||||||
}
|
|
||||||
|
|
||||||
fmt.Fprintf(w, "%d\n%s --> %s\n%s\n\n",
|
|
||||||
ctr, start, end, ltc.Caps[i])
|
|
||||||
// We emitted a message, increase the counter
|
|
||||||
ctr += 1
|
|
||||||
}
|
|
||||||
|
|
||||||
return nil
|
|
||||||
}
|
|
||||||
|
|
||||||
type config struct {
|
type config struct {
|
||||||
youtubeDl string
|
youtubeDl string
|
||||||
mkvmerge string
|
mkvmerge string
|
||||||
|
119
scrape.go
Normal file
119
scrape.go
Normal file
@ -0,0 +1,119 @@
|
|||||||
|
package main
|
||||||
|
|
||||||
|
import (
|
||||||
|
"encoding/json"
|
||||||
|
"errors"
|
||||||
|
"fmt"
|
||||||
|
"regexp"
|
||||||
|
"strconv"
|
||||||
|
"strings"
|
||||||
|
)
|
||||||
|
|
||||||
|
type loadTupContent struct {
|
||||||
|
Title string
|
||||||
|
VideoID string
|
||||||
|
Interval float64
|
||||||
|
Secs []float64
|
||||||
|
Caps []string
|
||||||
|
Scrsecs []float64
|
||||||
|
Scrcaps []string
|
||||||
|
}
|
||||||
|
|
||||||
|
func parse_json_floats(part []byte) ([]float64, error) {
|
||||||
|
secsStrings := make([]string, 0)
|
||||||
|
err := json.Unmarshal(part, &secsStrings)
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
ret := make([]float64, 0, len(secsStrings))
|
||||||
|
for _, sec := range secsStrings {
|
||||||
|
ff, err := strconv.ParseFloat(sec, 64)
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
ret = append(ret, ff)
|
||||||
|
}
|
||||||
|
return ret, nil
|
||||||
|
}
|
||||||
|
|
||||||
|
func NewLoadTupContent(content []byte) (*loadTupContent, error) {
|
||||||
|
|
||||||
|
var err error
|
||||||
|
rx := regexp.MustCompile(`videoIdMain = "([^"]+)";var interval = (\d+);var secs = (.+?);var caps = (.+?);var scrsecs = (.+?);var scrcaps = (.+?);</script>`)
|
||||||
|
|
||||||
|
parts := rx.FindStringSubmatch(string(content))
|
||||||
|
if parts == nil {
|
||||||
|
return nil, errors.New("Missing video properties in HTML page")
|
||||||
|
}
|
||||||
|
|
||||||
|
if len(parts) != 7 {
|
||||||
|
return nil, fmt.Errorf("expected len(parts)=7, got %d", len(parts))
|
||||||
|
}
|
||||||
|
|
||||||
|
ltc := loadTupContent{}
|
||||||
|
ltc.VideoID = parts[1]
|
||||||
|
ltc.Interval, err = strconv.ParseFloat(parts[2], 64)
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
|
||||||
|
ltc.Secs, err = parse_json_floats([]byte(parts[3]))
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
|
||||||
|
err = json.Unmarshal([]byte(parts[4]), <c.Caps)
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
|
||||||
|
ltc.Scrsecs, err = parse_json_floats([]byte(parts[5]))
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
|
||||||
|
err = json.Unmarshal([]byte(parts[6]), <c.Scrcaps)
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
|
||||||
|
// Parse the page title
|
||||||
|
|
||||||
|
rx = regexp.MustCompile(`(?ms)<h2 style="margin:0 0 0 0;">(.+?)</h2>`)
|
||||||
|
parts = rx.FindStringSubmatch(string(content))
|
||||||
|
if parts == nil {
|
||||||
|
return nil, errors.New("Missing title in HTML page")
|
||||||
|
}
|
||||||
|
|
||||||
|
if len(parts) != 2 {
|
||||||
|
return nil, fmt.Errorf("expected len(parts)=2, got %d", len(parts))
|
||||||
|
}
|
||||||
|
|
||||||
|
ltc.Title = strings.TrimSpace(parts[1])
|
||||||
|
|
||||||
|
return <c, nil
|
||||||
|
}
|
||||||
|
|
||||||
|
func (ltc *loadTupContent) Validate() error {
|
||||||
|
if len(ltc.Secs) != len(ltc.Caps) {
|
||||||
|
return fmt.Errorf("secs/caps length mismatch")
|
||||||
|
}
|
||||||
|
|
||||||
|
if len(ltc.Scrsecs) != len(ltc.Scrcaps) {
|
||||||
|
return fmt.Errorf("scrsecs/scrcaps length mismatch")
|
||||||
|
}
|
||||||
|
|
||||||
|
if !(len(ltc.Scrcaps) == 0 || ltc.Scrcaps[0] == "") {
|
||||||
|
return errors.New("unsupported use of strcaps")
|
||||||
|
}
|
||||||
|
|
||||||
|
if len(ltc.VideoID) == 0 {
|
||||||
|
return errors.New("unexpected blank video ID")
|
||||||
|
}
|
||||||
|
|
||||||
|
if ltc.Interval != 100.0 {
|
||||||
|
return errors.New("unsupported non-100 duration field")
|
||||||
|
}
|
||||||
|
|
||||||
|
return nil
|
||||||
|
}
|
61
writesubs.go
Normal file
61
writesubs.go
Normal file
@ -0,0 +1,61 @@
|
|||||||
|
package main
|
||||||
|
|
||||||
|
import (
|
||||||
|
"fmt"
|
||||||
|
"io"
|
||||||
|
"time"
|
||||||
|
)
|
||||||
|
|
||||||
|
func secs_to_srt_time(secs float64) string {
|
||||||
|
dur := time.Duration(secs) * time.Second
|
||||||
|
|
||||||
|
hh := int64(dur.Hours())
|
||||||
|
mm := int64(dur.Minutes()) - (hh * 60)
|
||||||
|
ss := int64(dur.Seconds()) - (hh * 3600) - (mm * 60)
|
||||||
|
ms := int64(dur.Milliseconds()) - (hh * 3600000) - (mm * 60000) - (ss * 1000)
|
||||||
|
|
||||||
|
return fmt.Sprintf("%02d:%02d:%02d,%03d", hh, mm, ss, ms)
|
||||||
|
}
|
||||||
|
|
||||||
|
func (ltc *loadTupContent) WriteSRT(w io.Writer) error {
|
||||||
|
/*
|
||||||
|
|
||||||
|
SRT file format (example from Wikipedia):
|
||||||
|
|
||||||
|
1
|
||||||
|
00:02:17,440 --> 00:02:20,375
|
||||||
|
Senator, we're making
|
||||||
|
our final approach into Coruscant.
|
||||||
|
|
||||||
|
2
|
||||||
|
00:02:20,476 --> 00:02:22,501
|
||||||
|
Very good, Lieutenant.
|
||||||
|
*/
|
||||||
|
|
||||||
|
ctr := 1
|
||||||
|
for i := 0; i < len(ltc.Caps); i += 1 {
|
||||||
|
if ltc.Caps[i] == "" {
|
||||||
|
// Don't show anything
|
||||||
|
continue
|
||||||
|
}
|
||||||
|
|
||||||
|
start := secs_to_srt_time(ltc.Secs[i])
|
||||||
|
var end string
|
||||||
|
if i < len(ltc.Caps)-1 {
|
||||||
|
end = secs_to_srt_time(ltc.Secs[i+1])
|
||||||
|
} else {
|
||||||
|
// The final subtitle. We don't know how long it should be displayed
|
||||||
|
// for since we don't know the entire video's duration
|
||||||
|
// FIXME supply
|
||||||
|
// Assume 3 seconds
|
||||||
|
end = secs_to_srt_time(ltc.Secs[i] + 3)
|
||||||
|
}
|
||||||
|
|
||||||
|
fmt.Fprintf(w, "%d\n%s --> %s\n%s\n\n",
|
||||||
|
ctr, start, end, ltc.Caps[i])
|
||||||
|
// We emitted a message, increase the counter
|
||||||
|
ctr += 1
|
||||||
|
}
|
||||||
|
|
||||||
|
return nil
|
||||||
|
}
|
Loading…
Reference in New Issue
Block a user