Update app.py

app.py

@@ -5,6 +5,7 @@ from urllib3.util.retry import Retry
 from bs4 import BeautifulSoup
 from urllib.parse import urljoin, urlparse
 import os
+import tempfile
 
 
 def build_session():
@@ -30,9 +31,8 @@ def extract_media(url):
             "Accept-Encoding": "gzip, deflate, br",
             "Connection": "keep-alive",
             "Upgrade-Insecure-Requests": "1",
+            "Referer": "https://www.erome.com/",
         }
-        # Timeout separado: (conexión, lectura). Antes era un único valor de 50s,
-        # lo que dejaba la UI colgada mucho tiempo si el sitio nunca respondía.
         response = session.get(url, headers=headers, timeout=(10, 20))
         response.raise_for_status()
 
@@ -42,32 +42,20 @@ def extract_media(url):
         images = []
         seen = set()
 
-        # Buscar imágenes en <img>
         for img in soup.find_all("img"):
             src = img.get("src") or img.get("data-src") or img.get("data-original")
             if not src:
                 continue
-
-            # Convertir URLs relativas a absolutas
             img_url = urljoin(base_url, src)
-
-            # Filtrar duplicados y URLs inválidas
             if img_url in seen or not img_url.startswith(("http://", "https://")):
                 continue
             seen.add(img_url)
-
-            # Obtener nombre del archivo
             parsed = urlparse(img_url)
             filename = os.path.basename(parsed.path) or "imagen.jpg"
             if not any(filename.lower().endswith(ext) for ext in [".jpg", ".jpeg", ".png", ".gif", ".webp", ".svg", ".bmp"]):
                 filename += ".jpg"
+            images.append({"image": img_url, "caption": filename})
 
-            images.append({
-                "image": img_url,
-                "caption": filename
-            })
-
-        # Buscar imágenes de fondo en <div> o elementos con style
         for tag in soup.find_all(style=True):
             style = tag["style"]
             if "url(" in style:
@@ -79,13 +67,9 @@ def extract_media(url):
                     seen.add(bg_url)
                     images.append({"image": bg_url, "caption": "background.jpg"})
 
-        # =======================================================
-        # NUEVA SECCIÓN: Buscar videos
-        # =======================================================
         videos = []
         video_exts = [".mp4", ".webm", ".avi", ".mov", ".mkv", ".m4v", ".ogg"]
-        
-        # 1. Buscar en etiquetas <video> y <source>
+
         for tag in soup.find_all(["video", "source"]):
             src = tag.get("src") or tag.get("data-src")
             if not src:
@@ -98,8 +82,7 @@ def extract_media(url):
                 if not any(filename.lower().endswith(ext) for ext in video_exts):
                     filename += ".mp4"
                 videos.append({"url": vid_url, "filename": filename})
-        
-        # 2. Buscar enlaces directos a videos en etiquetas <a>
+
         for a in soup.find_all("a", href=True):
             href = a["href"]
             if any(href.lower().endswith(ext) for ext in video_exts):
@@ -110,61 +93,55 @@ def extract_media(url):
                     filename = os.path.basename(parsed.path) or "video.mp4"
                     videos.append({"url": vid_url, "filename": filename})
 
-        # Generar HTML para mostrar los enlaces de descarga de video
-        if videos:
-            video_html_content = "<ul style='font-size: 16px; line-height: 1.8;'>"
-            for vid in videos:
-                video_html_content += f'<li>🎬 <a href="{vid["url"]}" target="_blank" download="{vid["filename"]}" style="color: #007bff; text-decoration: none; font-weight: bold;">⬇️ Descargar {vid["filename"]}</a></li>'
-            video_html_content += "</ul>"
-        else:
-            video_html_content = "<p style='color: gray; font-style: italic;'>No se encontraron videos directos en el HTML de esta página. (Nota: Sitios como YouTube usan transmisión fragmentada y no exponen un enlace .mp4 directo).</p>"
-
-        if not images and not videos:
-            return [], video_html_content, "No se encontraron imágenes ni videos en esta página."
-
-        status_msg = f"Se encontraron {len(images)} imágenes y {len(videos)} videos."
-        return [img["image"] for img in images], video_html_content, status_msg
-
-    except requests.exceptions.Timeout:
-        return [], "", (
-            "El sitio no respondió a tiempo tras reintentar. Suele pasar cuando "
-            "el dominio está filtrado a nivel de red/DNS (algunos hosts de archivos "
-            "terminan en listas de bloqueo por abuso) o el servidor está caído/lento. "
-            "Prueba el mismo enlace en el navegador desde esta misma red para confirmar."
-        )
-    except requests.exceptions.ConnectionError as e:
-        # requests envuelve un ReadTimeout que agotó los reintentos como
-        # ConnectionError (no como Timeout) — es un detalle de la librería,
-        # no un tipo de fallo distinto al de arriba.
-        if "ReadTimeoutError" in str(e) or "Read timed out" in str(e):
-            return [], "", (
-                "El sitio acepta la conexión pero nunca termina de responder, "
-                "ni siquiera tras reintentar. Es el patrón de un bloqueo de "
-                "red/firewall o de un mecanismo anti-bots que corta la respuesta "
-                "a mitad de camino, no el de un timeout demasiado corto."
-            )
-        return [], "", f"No se pudo conectar con el sitio: {str(e)}"
-    except requests.exceptions.RequestException as e:
-        return [], "", f"Error al acceder a la URL: {str(e)}"
+        # Guardamos la lista de videos para poder descargarlos después
+        return [img["image"] for img in images], videos, f"Se encontraron {len(images)} imágenes y {len(videos)} videos."
+
     except Exception as e:
-        return [], "", f"Error inesperado: {str(e)}"
+        return [], [], f"Error: {str(e)}"
     finally:
         session.close()
 
 
-# Interfaz de Gradio
+def download_video(video_url, filename):
+    """Descarga el video con headers correctos y lo entrega al usuario"""
+    if not video_url:
+        return None
+
+    session = build_session()
+    headers = {
+        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36",
+        "Referer": "https://www.erome.com/",
+        "Accept": "*/*",
+        "Accept-Language": "es-ES,es;q=0.9",
+        "Connection": "keep-alive",
+    }
+
+    try:
+        with session.get(video_url, headers=headers, stream=True, timeout=(15, 60)) as r:
+            r.raise_for_status()
+            
+            # Guardamos temporalmente el archivo
+            tmp = tempfile.NamedTemporaryFile(delete=False, suffix=os.path.splitext(filename)[1] or ".mp4")
+            for chunk in r.iter_content(chunk_size=8192):
+                if chunk:
+                    tmp.write(chunk)
+            tmp.close()
+            
+            return tmp.name   # Gradio lo convertirá en archivo descargable
+
+    except Exception as e:
+        print(f"Error descargando video: {e}")
+        return None
+    finally:
+        session.close()
+
+
+# Interfaz
 with gr.Blocks(title="Extractor de Imágenes y Videos Web") as demo:
-    gr.Markdown("""
-    # 🖼️ 🎬 Extractor de Imágenes y Videos
-    Pega el enlace de cualquier página web y extrae todas las imágenes y videos disponibles directamente del HTML.
-    """)
+    gr.Markdown("# 🖼️ 🎬 Extractor de Imágenes y Videos")
 
     with gr.Row():
-        url_input = gr.Textbox(
-            label="URL de la página",
-            placeholder="https://ejemplo.com",
-            scale=4
-        )
+        url_input = gr.Textbox(label="URL de la página", placeholder="https://ejemplo.com", scale=4)
         submit_btn = gr.Button("🔍 Extraer contenido", scale=1, variant="primary")
 
     status_text = gr.Textbox(label="Estado", interactive=False)
@@ -173,7 +150,6 @@ with gr.Blocks(title="Extractor de Imágenes y Videos Web") as demo:
         with gr.Column(scale=2):
             gallery = gr.Gallery(
                 label="Imágenes encontradas",
-                show_label=True,
                 columns=4,
                 rows=4,
                 height="auto",
@@ -181,32 +157,36 @@ with gr.Blocks(title="Extractor de Imágenes y Videos Web") as demo:
                 allow_preview=True
             )
         with gr.Column(scale=1):
-            video_output = gr.HTML(
-                label="Videos encontrados (Descarga directa)",
-                value="<p>Los enlaces a videos aparecerán aquí.</p>"
-            )
+            video_dropdown = gr.Dropdown(label="Videos encontrados", choices=[], interactive=True)
+            download_btn = gr.Button("⬇️ Descargar video seleccionado", variant="primary")
+            video_file = gr.File(label="Archivo descargado")
 
-    # Información de descarga
-    gr.Markdown("""
-    ### 💡 Para descargar:
-    - **Imágenes:** Haz **clic en cualquier imagen** para previsualizarla. Luego clic derecho → Guardar imagen como...
-    - **Videos:** Haz clic en los enlaces de la columna derecha para descargarlos directamente a tu dispositivo.
-    """)
+    # Estado oculto para guardar la lista de videos
+    videos_state = gr.State([])
+
+    def process(url):
+        images, videos, status = extract_media(url)
+        choices = [f"{v['filename']} | {v['url']}" for v in videos]
+        return images, gr.update(choices=choices, value=choices[0] if choices else None), videos, status
 
     submit_btn.click(
-        fn=extract_media,
+        fn=process,
         inputs=url_input,
-        outputs=[gallery, video_output, status_text]
+        outputs=[gallery, video_dropdown, videos_state, status_text]
     )
 
-    # Ejemplos (Añadida una página de ejemplo con video para que puedas probarlo al instante)
-    gr.Examples(
-        examples=[
-            "https://es.wikipedia.org/wiki/Gato", 
-            "https://samplelib.com/sample-mp4.html"
-        ],
-        inputs=url_input,
-        label="Ejemplos"
+    def handle_download(selected, videos_list):
+        if not selected or not videos_list:
+            return None
+        # Extraemos la URL del texto del dropdown
+        url = selected.split(" | ")[-1]
+        filename = selected.split(" | ")[0]
+        return download_video(url, filename)
+
+    download_btn.click(
+        fn=handle_download,
+        inputs=[video_dropdown, videos_state],
+        outputs=video_file
     )
 
 if __name__ == "__main__":