public override ParserResult ParseHtml(string html)
{
var parserResult = new ParserResult();
try
{
// html nemusi byt validni xml, takze je potreba pro parsovani pouzit Html Agility Pack
var htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(html);
// get all <script> under <head>
var xpathNodes = htmlDoc.DocumentNode.SelectNodes(@"//head//script");
if (xpathNodes != null && xpathNodes.Any())
{
var croplayerJson = xpathNodes.FirstOrDefault(p => p.InnerText.Contains("croplayer"))?.InnerText;
if (!string.IsNullOrEmpty(croplayerJson))
{
// select inner json data from <script> element
var json = croplayerJson.RemoveStartTextTo('{').RemoveEndTextTo('}');
json = "{" + json + "}";
var jObject = JObject.Parse(json);
// main id for download mp3
var trackId = GetJsonAttributeValue(jObject, "track");
if (!string.IsNullOrEmpty(trackId))
{
var fullMp3Url = GetIRadioMp3Url(trackId);
parserResult.AddUrl(fullMp3Url, "");
// parserResult.RozhlasUrlSet[0].SiteName = GetJsonAttributeValue(jObject, "station");
parserResult.RozhlasUrlSet[0].Title = GetMetaTagContent(htmlDoc, @"//meta[@name='og:title']");
// parserResult.RozhlasUrlSet[0].Description = GetMetaTagContent(htmlDoc, @"//meta[@name='description']");
}
else
{
parserResult.AddLog("Chyba při parsování html - nepodařilo se dohledat trackID v json datech.");
}
}
else
{
parserResult.AddLog("Chyba při parsování html - nepodařilo se dohledat 'Drupal.Setings' json data.");
}
}
else
{
parserResult.AddLog("Chyba při parsování html - nepodařilo se dohledat //head//script nody.");
}
}
catch (Exception ex)
{
parserResult.AddLog($"ParsePrehrat2018Html error: {ex.Message}.");
}
return(parserResult);
}
private void GetUrlsFromPlayListWrapper(HtmlNodeCollection mp3AnchorSet, ref ParserResult parserResult)
{
/*
* <div class="sm2-playlist-wrapper">
* <ul class="sm2-playlist-bd">
* <li>
* <div part="1" class="sm2-row sm2-wide" id="file-8490384">
* ===> <a href="https://vltava.rozhlas.cz/sites/default/files/audios/8823b0fd947daa76167e9014d6ed4014.mp3?uuid=5c17536947ad0">
* <div class="filename" title="Steinar Bragi: Planina">
* <div class="filename__text" title="Steinar Bragi: Planina">1. díl: Steinar Bragi: Planina</div>
* </div>
* </a>
* <div class="audio-info-wrap">
* <span class="playlist-audio-time-to-expire">
* <span class="caption__desktop-only">k poslechu </span>ještě 3 dny</span>
* <span class="playlist-audio-length">28:14</span>
* </div>
* </div>
* </li>
*/
if (parserResult == null)
{
return;
}
if (mp3AnchorSet != null || mp3AnchorSet.Any())
{
foreach (var mp3A in mp3AnchorSet)
{
// each single anchor:
// <a href = "https://vltava.rozhlas.cz/sites/default/files/audios/8823b0fd947daa76167e9014d6ed4014.mp3?uuid=5c17536947ad0" >
// <div class="filename" title="Steinar Bragi: Planina">
// <div class="filename__text" title="Steinar Bragi: Planina">1. díl: Steinar Bragi: Planina</div>
// </div>
// </a>
var url = mp3A.Attributes["href"]?.Value;
var filenameTextNode = mp3A.ChildNodes.SelectMany(p => p.ChildNodes).FirstOrDefault(p => p.Attributes.Any(a => a.Name == "class" && a.Value == "filename__text"));
// verze - napr cetba, serial - vice dilu
var title = filenameTextNode?.InnerHtml?.Trim();
if (string.IsNullOrEmpty(title))
{
// verze - jen jeden dil nejakeho poradu
title = mp3A?.InnerHtml;
}
parserResult.AddUrl(url, title);
}
}
else
{
parserResult.AddLog($"ParsePrehrat2018Html - mp3AnchorSet is null.");
}
}
//public async Task<ParserResult> Parse(string url)
//{
// var html = await DownloadHtml(url);
// if (string.IsNullOrEmpty(html))
// return new ParserResult(null).AddLog($"Nepodařilo se stažení hlavní stránky: '{url}'"); // no source html - no fun
// //Parse(parserResult);
// else
// return ParseHtml(html); // try to parse
//}
// private async Task<string> DownloadHtml(string url)
// {
// var asyncDownloader = new AsyncDownloader();
// var downloaderOutput = await asyncDownloader.GetString(url);
// return downloaderOutput.DownloadOk ? downloaderOutput.Output : null;
// {
// //return new ParserResult(downloaderOutput.Output);
// }
//// return new ParserResult(null).AddLog($"Nepodařilo se stažení hlavní stránky: '{url}'");
// }
//private async Task<ParserResult> TryDecodeUrl(string url)
//{
// var asyncDownloader = new AsyncDownloader();
// var downloader = await asyncDownloader.GetString(url);
// if (downloader.DownloadOk)
// {
// return Parse(downloader.Output);
// }
// else
// {
// return new ParserResult().AddLog($"Nepodařilo se stažení: '{url}'");
// }
//}
public override ParserResult ParseHtml(string html)
{
var parserResult = new ParserResult();
try
{
// html nemusi byt validni xml, takze je potreba pro parsovani pouzit Html Agility Pack
var htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(html);
// hlavni title cele stranky - tj je-li vice dilu, tak spolecny nazev - nasledne bych ho mel pouzit pro folder kam budu ukladat
// mozna by slo pouzit i <h1>, ale zatim beru tohle:
// <meta property="og:title" content="Steinar Bragi: Planina" />
var metaTitle = htmlDoc.DocumentNode.SelectSingleNode(@"//meta[@property='og:title']");
if (metaTitle != null)
{
parserResult.MetaTitle = metaTitle.Attributes.FirstOrDefault(p => p.Name == "content")?.Value?.Trim();
}
if (string.IsNullOrEmpty(parserResult.MetaTitle))
{
parserResult.MetaTitle = "DESCRIPTION_NOT_FOUND";
}
// hlavni description cele stranky - asi nebude potreba?
// <meta property="og:description" content="Sugestivní a výborně napsaný příběh o vině a nevinnosti, hranicích lidskosti a střetnutí s chladnou krutostí islandské přírody i vlastním nitrem – dílo, které v sobě spojuje prvky psychologického thrilleru a islandské lidové pověsti. Četbu na pokračování z románu současného islandského spisovatele poslouchejte on-line po dobu jednoho týdne po odvysílání." />
parserResult.MetaDescription = htmlDoc.DocumentNode.SelectSingleNode(@"//meta[@property='og:description']")
?.Attributes
?.FirstOrDefault(p => p.Name == "content")
?.Value
?.Trim();
// <meta property="og:site_name" content="Radiožurnál" />
var siteNameItem = htmlDoc.DocumentNode.SelectSingleNode(@"//meta[@property='og:site_name']");
if (siteNameItem != null)
{
parserResult.MetaSiteName = siteNameItem.Attributes.FirstOrDefault(p => p.Name == "content")?.Value?.Trim();
}
else
{
parserResult.MetaSiteName = "UNKNOWN_SITE_NAME";
}
// jednotlive podary (dily serialu) jsou pod <div class="sm2-playlist-wrapper"> < ul class="sm2-playlist-bd">
// get all <script> under <head>
var headScriptSet = htmlDoc.DocumentNode.SelectNodes(@"//head//script");
if (headScriptSet != null && headScriptSet.Any())
{
// < div class="sm2-playlist-wrapper">
//var divSetXXX = htmlDoc.DocumentNode.SelectNodes(@"//div[@part and class='sm2-row sm2-wide']");
//var divPlaylistSet = htmlDoc.DocumentNode.SelectNodes(@"//div[@class='sm2-playlist-wrapper']");
var mp3AnchorSet = htmlDoc.DocumentNode.SelectNodes(@"//div[@class='sm2-playlist-wrapper']//ul//li//div//a");
GetUrlsFromPlayListWrapper(mp3AnchorSet, ref parserResult);
if (parserResult.RozhlasUrlSet.Any())
{
return(parserResult);
}
// if (divPlaylistSet != null && divPlaylistSet.Any())
// {
// foreach(var divPlaylistRoot in divPlaylistSet)
// {
// // Get(divPlaylistRoot, ref parserResult);
// //var divSet = divPlaylistRoot.SelectNodes(@".//div[@part and class='sm2 - row sm2 - wide']");
// //var div1 = divPlaylistRoot.ChildNodes.FirstOrDefault(p => p.Attributes["part"] != null);
//// ...SelectNodes(@".//div[@part]");
// }
// }
// jiny zpusob ziskani z Drupal.settings
var drupalSettingsJson = headScriptSet.FirstOrDefault(p => p.InnerText.Contains("jQuery.extend(Drupal.settings"))?.InnerText;
if (!string.IsNullOrEmpty(drupalSettingsJson))
{
// select inner json data from <script> element
var json = drupalSettingsJson.RemoveStartTextTo('{').RemoveEndTextTo('}');
json = "{" + json + "}";
var jObject = JObject.Parse(json);
// ajaxPageState "soundmanager2":{
var downloadItem = jObject.SelectToken("soundmanager2.playtime");
if (downloadItem != null)
{
foreach (JToken item in downloadItem.Children())
{
// takhle to vypada: "https://region.rozhlas.cz/sites/default/files/audios/68919bf46b77f6246089a1dd38b35bf9.mp3": "https://region.rozhlas.cz/audio-download/sites/default/files/audios/68919bf46b77f6246089a1dd38b35bf9-mp3"
// mp3 se da stahnout z obou url ... zatim tedy budu pouzivat ten prvni
var urlToken = item.ToString();
if (!string.IsNullOrEmpty(urlToken))
{
var urlSet = urlToken.Split('"');
if (urlSet.Count() > 2)
{
parserResult.AddUrl(urlSet[1], "");
}
}
}
}
// nektere 'prehrat' html stranky nemaji prehravac s json daty a mp3 url musim dohledat jinde ve strance
if (!parserResult.RozhlasUrlSet.Any())
{
// najit prislusny div
var parentDiv = htmlDoc.DocumentNode.SelectSingleNode(@"//div[@aria-labelledby='Audio part']");
// pod nim by mel byt jeden <a> s href atributem - url k mp3
if (parentDiv != null)
{
var aHref = parentDiv.ChildNodes.FirstOrDefault(p => p.Name == "a")?.Attributes["href"]?.Value;
if (!string.IsNullOrEmpty(aHref))
{
parserResult.AddUrl(aHref, null);
}
}
}
// po vsechn pokusech nic nenalezeno?
if (parserResult.RozhlasUrlSet.Any())
{
// title jen vykousnu ze stranky
GetTitleFromH1(htmlDoc, ref parserResult);
}
else
{
parserResult.AddLog("Chyba při parsování html - nepodařilo se dohledat seznam url z json dat.");
}
}
else
{
parserResult.AddLog("Chyba při parsování html - nepodařilo se dohledat 'Drupal.Setings' json data.");
}
}
else
{
parserResult.AddLog("Chyba při parsování html - nepodařilo se dohledat //head//script nody.");
}
}
catch (Exception ex)
{
parserResult.AddLog($"ParsePrehrat2018Html error: {ex.Message}.");
}
return(parserResult);
}
