[canal13cl] Add test and improve extraction (#2498)

youtube_dl/extractor/canal13cl.py

@@ -1,32 +1,48 @@
+# coding: utf-8
 from __future__ import unicode_literals
+
 import re
 
 from .common import InfoExtractor
 
 
 class Canal13clIE(InfoExtractor):
-    _VALID_URL = r'^http://(?:www\.)?13\.cl/'
-    IE_NAME = 'Canal13cl'
+    _VALID_URL = r'^http://(?:www\.)?13\.cl/(?:[^/?#]+/)*(?P<id>[^/?#]+)'
+    _TEST = {
+        'url': 'http://www.13.cl/t13/nacional/el-circulo-de-hierro-de-michelle-bachelet-en-su-regreso-a-la-moneda',
+        'md5': '4cb1fa38adcad8fea88487a078831755',
+        'info_dict': {
+            'id': '1403022125',
+            'display_id': 'el-circulo-de-hierro-de-michelle-bachelet-en-su-regreso-a-la-moneda',
+            'ext': 'mp4',
+            'title': 'El "círculo de hierro" de Michelle Bachelet en su regreso a La Moneda',
+            'description': '(Foto: Agencia Uno) En nueve días más, Michelle Bachelet va a asumir por segunda vez como presidenta de la República. Entre aquellos que la acompañarán hay caras que se repiten y otras que se consolidan en su entorno de colaboradores más cercanos.',
+        }
+    }
 
     def _real_extract(self, url):
-        webpage = self._download_webpage(url, url)
-        video_id = self._html_search_regex(
-            r'http://streaming.13.cl/(.*)\.mp4',
-            webpage, u'video_id')
-        title = self._html_search_regex(
-            r'(articuloTitulo = \"(.*?)\"|(.*?)\|)',
-            webpage, u'title')
+        mobj = re.match(self._VALID_URL, url)
+        display_id = mobj.group('id')
+
+        webpage = self._download_webpage(url, display_id)
+
+        title = self._html_search_meta(
+            'twitter:title', webpage, 'title', fatal=True)
+        description = self._html_search_meta(
+            'twitter:description', webpage, 'description')
         url = self._html_search_regex(
-            r'articuloVideo = \"(.*?)\"',
-            webpage, u'url')
-        thumbnail = self._html_search_regex (
-            r'articuloImagen = \"(.*?)\"',
-            webpage, u'thumbnail')
+            r'articuloVideo = \"(.*?)\"', webpage, 'url')
+        real_id = self._search_regex(
+            r'[^0-9]([0-9]{7,})[^0-9]', url, 'id', default=display_id)
+        thumbnail = self._html_search_regex(
+            r'articuloImagen = \"(.*?)\"', webpage, 'thumbnail')
 
         return {
-            'video_id': video_id,
+            'id': real_id,
+            'display_id': display_id,
             'url': url,
             'title': title,
+            'description': description,
             'ext': 'mp4',
-            'thumbnail': thumbnail
+            'thumbnail': thumbnail,
         }