Spaces:
Running
Running
File size: 8,324 Bytes
fbe0b46 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 |
import os
from loguru import logger
import boto3
from tqdm import tqdm
from pydub import AudioSegment
from yt_dlp import YoutubeDL
from dotenv import load_dotenv
load_dotenv()
def filter_videos_by_keywords(candidates, keywords):
if not candidates:
return []
filtered_videos = []
for candidate in candidates:
if not isinstance(candidate, dict):
continue
title = str(candidate.get("title", "")).lower()
description = str(candidate.get("description", "")).lower()
if any(keyword.lower() in title or keyword.lower() in description for keyword in keywords):
filtered_videos.append(candidate)
logger.info(f"Filtrage terminé: {len(filtered_videos)}/{len(candidates)} vidéos correspondent aux mots-clés {keywords}")
return filtered_videos
def get_videos_from_channel(channel_url):
logger.info(f"Extraction des vidéos depuis la chaîne: {channel_url}")
ydl_opts = {
'extract_flat': True,
'quiet': True,
}
with YoutubeDL(ydl_opts) as ydl:
info = ydl.extract_info(channel_url, download=False)
if 'entries' in info:
videos = info['entries']
videos_urls = [video for video in videos if not "Shorts" in video["title"]]
videos_urls = sum([videos_url["entries"] for videos_url in videos_urls], [])
logger.info(f"Nombre total de videos trouvées: {len(videos_urls)}")
return videos_urls
else:
logger.warning("Aucune vidéo trouvée sur cette chaîne")
return []
def download_youtube_audios(videos, output_dir):
"""
Télécharge les fichiers audio des vidéos YouTube.
Args:
videos: Liste des vidéos à télécharger
output_dir: Répertoire de sortie (utilise INPUT_DIR par défaut)
"""
ydl_opts = {
'format': 'bestaudio/best',
'outtmpl': f'{output_dir}/%(title)s.%(ext)s',
'postprocessors': [{
'key': 'FFmpegExtractAudio',
'preferredcodec': 'wav',
}],
'quiet': False,
}
logger.info(f"Début du téléchargement de {len(videos)} vidéos")
with YoutubeDL(ydl_opts) as ydl:
for video in tqdm(videos, desc="Téléchargement des vidéos"):
try:
url = f"https://www.youtube.com/watch?v={video['id']}"
logger.info(f"Téléchargement de l'audio (WAV) : {video['title']}")
ydl.download([url])
except Exception as e:
logger.error(f"Erreur lors du téléchargement de {video.get('title', video.get('id', 'inconnu'))}: {str(e)}")
def segment_audio_files(input_dir, output_dir, segment_length):
"""
Découpe les fichiers audio en segments.
Args:
input_dir: Répertoire des fichiers audio source (utilise INPUT_DIR par défaut)
output_dir: Répertoire des segments audio (utilise OUTPUT_DIR par défaut)
segment_length: Durée de chaque segment en ms (utilise SEGMENT_LENGTH_MS par défaut)
Returns:
Nombre total de segments créés
"""
wav_files = [f for f in os.listdir(input_dir) if f.endswith(".wav")]
logger.info(f"Nombre de fichiers WAV à traiter: {len(wav_files)}")
total_segments = 0
processed_segments = []
for filename in tqdm(wav_files, desc="Traitement des fichiers audio"):
try:
filepath = os.path.join(input_dir, filename)
audio = AudioSegment.from_wav(filepath)
duration = len(audio)
base_name = os.path.splitext(filename)[0]
video_folder = os.path.join(output_dir, base_name)
os.makedirs(video_folder, exist_ok=True)
logger.info(f"Découpage de : {filename} → dossier [{video_folder}]")
num_segments = (duration + segment_length - 1) // segment_length
segments_created = 0
for i in tqdm(range(0, duration, segment_length),
desc=f"Segments de {base_name}",
total=num_segments):
segment = audio[i:i + segment_length]
segment_name = f"part{i // segment_length + 1}.wav"
segment_path = os.path.join(video_folder, segment_name)
segment.export(segment_path, format="wav")
segments_created += 1
processed_segments.append(segment_path)
logger.info(f"Fichier {filename}: {segments_created} segments créés")
total_segments += segments_created
except Exception as e:
logger.error(f"Erreur lors du traitement de {filename}: {str(e)}")
logger.info(f"Traitement terminé. Total des segments créés: {total_segments}")
return total_segments, processed_segments
def setup_s3_client():
access_key = os.getenv("AWS_ACCESS_KEY_ID")
secret_key = os.getenv("AWS_SECRET_ACCESS_KEY")
endpoint_url = os.getenv("AWS_ENDPOINT_URL_S3")
if not all([access_key, secret_key]):
logger.warning("Variables d'environnement AWS manquantes (AWS_ACCESS_KEY_ID ou AWS_SECRET_ACCESS_KEY)")
return None
client_params = {
"aws_access_key_id": access_key,
"aws_secret_access_key": secret_key,
}
if endpoint_url:
client_params["endpoint_url"] = endpoint_url
try:
return boto3.client("s3", **client_params)
except Exception as e:
logger.error(f"Erreur lors de l'initialisation du client S3: {str(e)}")
return None
def upload_file_to_s3(s3_client, local_path, bucket_name, s3_key):
try:
s3_client.upload_file(local_path, bucket_name, s3_key)
logger.info(f"Uploadé {local_path} vers s3://{bucket_name}/{s3_key}")
except Exception as e:
logger.error(f"Erreur lors de l'upload de {local_path}: {str(e)}")
def upload_segments_to_s3(segments, bucket_name, prefix, segments_folder):
s3_client = setup_s3_client()
if not s3_client:
logger.error("Client S3 non disponible. Upload annulé.")
return 0
uploaded_count = 0
logger.info(f"Début de l'upload des segments vers S3 (bucket: {bucket_name}, préfixe: {prefix})")
for segment_path in tqdm(segments, desc="Upload des segments vers S3"):
try:
relative_path = os.path.relpath(segment_path, start=segments_folder)
s3_key = f"{prefix}/{relative_path.replace(os.sep, '/')}"
upload_file_to_s3(s3_client, segment_path, bucket_name, s3_key)
uploaded_count += 1
except Exception as e:
logger.error(f"Erreur lors de l'upload de {segment_path}: {str(e)}")
logger.info(f"Upload terminé. {uploaded_count}/{len(segments)} fichiers envoyés vers S3.")
return uploaded_count
def main():
# ====================== CHANGE ME - CONFIGURATION ======================
# Mots-clés pour le filtrage des vidéos
FILTER_KEYWORDS = ["sid pa"] #
CHANNEL_URL = "https://www.youtube.com/@livenewsafrica/"
RAW_AUDIO_DIR = "audios_sidpa_wav"
SEGMENT_AUDIO_DIR = "audios_segments_wav"
# Durée des segments en millisecondes
SEGMENT_LENGTH_MS = 30 * 1000 # 30 secondes par défaut
# Configuration S3
BUCKET_NAME = "moore-collection"
S3_PREFIX = "audios_wav"
USE_S3 = True # Mettre à True pour activer les opérations S3
# ====================== FIN CHANGE ME ======================
os.makedirs(RAW_AUDIO_DIR, exist_ok=True)
os.makedirs(SEGMENT_AUDIO_DIR, exist_ok=True)
logger.info("Démarrage du traitement des fichiers audio")
videos = get_videos_from_channel(CHANNEL_URL)
filtered_videos = filter_videos_by_keywords(videos, keywords=["sid pa"])
download_youtube_audios(filtered_videos, RAW_AUDIO_DIR)
total_segments, processed_segments = segment_audio_files(RAW_AUDIO_DIR, SEGMENT_AUDIO_DIR, SEGMENT_LENGTH_MS)
if USE_S3:
upload_segments_to_s3(processed_segments, BUCKET_NAME, S3_PREFIX, SEGMENT_AUDIO_DIR)
logger.info("Traitement terminé avec succès")
if __name__ == "__main__":
main()
|