src/cover/utils.py

   1 # This file is part of FNP-Redakcja, licensed under GNU Affero GPLv3 or later.
   2 # Copyright © Fundacja Nowoczesna Polska. See NOTICE for more information.
   3 #
   4 import csv
   5 from io import StringIO
   6 import json
   7 import re
   8 from urllib.request import FancyURLopener
   9 from django.conf import settings
  10 import requests
  11 from wikidata.client import Client
  12 from catalogue.constants import WIKIDATA
  13
  14
  15 class URLOpener(FancyURLopener):
  16     @property
  17     def version(self):
  18         return 'FNP Redakcja'
  19
  20
  21 class FlickrError(Exception):
  22     pass
  23
  24
  25 def get_flickr_data(url):
  26     m = re.match(r'(https?://)?(www\.|secure\.)?flickr\.com/photos/(?P<author>[^/]+)/(?P<img>\d+)/?', url)
  27     if not m:
  28         raise FlickrError("It doesn't look like Flickr URL.")
  29     author_slug, img_id = m.group('author'), m.group('img')
  30     base_url = "https://www.flickr.com/photos/%s/%s/" % (author_slug, img_id)
  31     try:
  32         html = URLOpener().open(url).read().decode('utf-8')
  33     except IOError:
  34         raise FlickrError('Error reading page')
  35     match = re.search(r'<a href="([^"]*)"[^>]* rel="license ', html)
  36     if not match:
  37         raise FlickrError('License not found.')
  38     else:
  39         license_url = match.group(1)
  40         re_license = re.compile(r'https?://creativecommons.org/licenses/([^/]*)/([^/]*)/.*')
  41         m = re_license.match(license_url)
  42         if not m:
  43             re_pd = re.compile(r'https?://creativecommons.org/publicdomain/([^/]*)/([^/]*)/.*')
  44             m = re_pd.match(license_url)
  45             if not m:
  46                 raise FlickrError('License does not look like CC: %s' % license_url)
  47             if m.group(1).lower() == 'zero':
  48                 license_name = 'Public domain (CC0 %s)' % m.group(2)
  49             else:
  50                 license_name = 'Public domain'
  51         else:
  52             license_name = 'CC %s %s' % (m.group(1).upper(), m.group(2))
  53     m = re.search(r'<a[^>]* class="owner-name [^>]*>([^<]*)<', html)
  54     if m:
  55         author = "%s@Flickr" % m.group(1)
  56     else:
  57         raise FlickrError('Error reading author name.')
  58     m = re.search(r'<h1[^>]*>(.*?)</h1>', html, re.S)
  59     if not m:
  60         raise FlickrError('Error reading image title.')
  61     title = m.group(1).strip()
  62     m = re.search(r'modelExport: (\{.*\})', html)
  63     try:
  64         assert m
  65         download_url = 'https:' + json.loads(m.group(1))['main']['photo-models'][0]['sizes']['o']['url']
  66     except (AssertionError, ValueError, IndexError, KeyError):
  67         raise FlickrError('Error reading image URL.')
  68     return {
  69         'source_url': base_url,
  70         'license_url': license_url,
  71         'license_name': license_name,
  72         'author': author,
  73         'title': title,
  74         'download_url': download_url,
  75     }
  76
  77
  78 def get_wikimedia_data(url):
  79     file_name = url.rsplit('/', 1)[-1].rsplit(':', 1)[-1]
  80     d = json.loads(URLOpener().open('https://commons.wikimedia.org/w/api.php?action=query&titles=File:{}&prop=imageinfo&iiprop=url|user|extmetadata&iimetadataversion=latest&format=json'.format(file_name)).read().decode('utf-8'))
  81
  82     d = list(d['query']['pages'].values())[0]['imageinfo'][0]
  83     ext = d['extmetadata']
  84
  85     meta = {
  86         'title': ext['ObjectName']['value'],
  87         'author': d['user'],
  88         'source_url': d['descriptionurl'],
  89         'download_url': d['url'],
  90         'license_url': ext.get('LicenseUrl', {}).get('value', ''),
  91         'license_name': ext['LicenseShortName']['value'],
  92     }
  93
  94     # There are Wikidata links in ObjectName sametimes. Let's use it.
  95     wikidata_match = re.search(r'wikidata\.org/wiki/(Q\d+)', meta['title'])
  96     if wikidata_match is not None:
  97         qitem = wikidata_match.group(1)
  98         client = Client()
  99         client.opener.addheaders = [(
 100             'User-Agent', 'Wolne Lektury Redakcja / Python-wikidata'
 101         )]
 102         entity = client.get(qitem)
 103         meta['title'] = entity.label.get('pl', str(entity.label))
 104         author = entity.get(client.get(WIKIDATA.CREATOR))
 105         if author is not None:
 106             meta['author'] = author.label.get('pl', str(author.label))
 107         else:
 108             meta['author'] = ''
 109
 110     if meta['license_name'] == 'Public domain':
 111         meta['license_name'] = 'domena publiczna'
 112         meta['license_url'] = 'https://pl.wikipedia.org/wiki/Domena_publiczna'
 113
 114
 115     return meta
 116
 117
 118 def get_mnw_data(url):
 119     nr = url.rsplit('/', 1)[-1]
 120     d = list(
 121         csv.DictReader(
 122             StringIO(
 123                 URLOpener().open(
 124                     'https://cyfrowe-api.mnw.art.pl/api/object/{}/csv'.format(nr)
 125                 ).read().decode('utf-8')
 126             )
 127         )
 128     )[0]
 129
 130     authors = []
 131     i = 1
 132     while f'twórca/wytwórnia {i}' in d:
 133         authors.append(d[f'twórca/wytwórnia {i}'])
 134         i += 1
 135
 136     license_url = ''
 137     license_name = d['klasyfikacja praw autorskich 1']
 138     if license_name == 'DOMENA PUBLICZNA':
 139         license_name = 'domena publiczna'
 140         license_url = 'https://pl.wikipedia.org/wiki/Domena_publiczna'
 141
 142     return {
 143         'title': d['nazwa/tytuł'],
 144         'author': ', '.join(authors),
 145         'source_url': url,
 146         'download_url': 'https://cyfrowe-cdn.mnw.art.pl/upload/multimedia/{}.{}'.format(
 147             d['ścieżka wizerunku'],
 148             d['rozszerzenie pliku wizerunku'],
 149         ),
 150         'license_url': license_url,
 151         'license_name': license_name,
 152     }
 153
 154 def get_rawpixel_data(url):
 155     photo_id = re.search(r'/(\d+)/', url).group(1)
 156
 157     s = requests.Session()
 158     cookies = settings.RAWPIXEL_SESSION
 159
 160     token = s.post(
 161             'https://www.rawpixel.com/api/v1/user/session',
 162             cookies=cookies
 163             ).json()['token']
 164
 165     h = {'X-CSRF-Token': token, 'Accept': 'application/json'}
 166
 167     data = s.get(
 168         f'https://www.rawpixel.com/api/v1/image/data/{photo_id}',
 169         headers=h, cookies=cookies).json()
 170     download_url = s.post(
 171         f'https://www.rawpixel.com/api/v1/image/download/{photo_id}/original',
 172         headers=h, cookies=cookies
 173     ).json()['downloadUrl']
 174
 175     title = data['metadata']['title'].rsplit('|', 1)[0].strip()
 176
 177     return {
 178         'title': title,
 179         'author': ', '.join(data['metadata']['artist_names']),
 180         'source_url': data['url'],
 181         'download_url': download_url,
 182         'license_url': data['metadata']['licenseUrl'],
 183         'license_name': data['metadata']['license'],
 184     }
 185
 186
 187 def get_import_data(url):
 188     if re.match(r'(https?://)?(www\.|secure\.)?flickr\.com/', url):
 189         return get_flickr_data(url)
 190     if re.match(r'(https?://)?(commons|upload)\.wikimedia\.org/', url):
 191         return get_wikimedia_data(url)
 192     if re.match(r'(https?://)?cyfrowe\.mnw\.art\.pl/', url):
 193         return get_mnw_data(url)
 194     if re.match(r'(https?://)?www\.rawpixel\.com/', url):
 195         return get_rawpixel_data(url)