Una interfaz para toda la web musical
La web de la música está fragmentada entre muchos sitios independientes. Bandcamp te vende un FLAC y una licencia Creative Commons; SoundCloud transmite un remix que nadie más aloja; SomaFM mantiene un conjunto de canales de radio financiados por los oyentes; y varios sitios gestionados por comunidades conservan enciclopedias curadas de rock progresivo, jazz, clásica y metal. Cada sitio tiene su propio marcado, sus propias manías, su propia idea de qué es siquiera una «pista».
Mantenemos una familia de clientes Python pequeños, enfocados y de código abierto que doman ese caos. Todos hacen, en esencia, lo mismo: acceden a una fuente de música y te devuelven modelos de metadatos de medios tipados — objetos validados en lugar de diccionarios frágiles — para que el resto de tu código nunca tenga que preocuparse de qué sitio proceden los datos. Siete de los nueve están publicados en PyPI; los otros dos se instalan directamente desde GitHub. Todos hablan el mismo vocabulario.
Este es el recorrido.
Streaming y radio
py_bandcamp hace scraping de Bandcamp: busca pistas, álbumes, artistas y sellos; navega por etiqueta de género; obtiene recomendaciones y artistas relacionados a partir de una semilla; y extrae una URL de MP3 reproducible. Las búsquedas devuelven objetos Release tipados que llevan título, portada, géneros, créditos y — algo crucial para los mentalizados con el FOSS — un campo de licencia al estilo SPDX con una comprobación is_open() para que puedas distinguir un lanzamiento Creative Commons de uno con todos los derechos reservados. Una conversión de álbum de fidelidad total rellena la lista de pistas ordenada bajo demanda.
nuvem_de_som es nuestro cliente de SoundCloud, y es la navaja suiza del grupo. Tres backends independientes — un backend de API rico en metadatos, un scraper de HTML sin dependencias y un backend yt-dlp — se asientan tras un orquestador que retrocede con elegancia de uno al siguiente. Busca pistas y personas, resuelve URLs de stream directas (progresivas o HLS), descarga pistas y listas de reproducción enteras, e incluso incluye una aplicación de terminal, nds, para buscar y reproducir desde la línea de comandos. Los lanzamientos vuelven con códec, tasa de bits, géneros, país, licencia SPDX y listas de pistas completas de los sets.
radiosoma envuelve la API pública de canales de SomaFM. SomaFM es el extremo amable y de API abierta del espectro, y el cliente lo modela de forma limpia: cada canal es una obra, y cada codificación de stream — AAC a 130 kbps, MP3 a 256 kbps, HE-AAC a 64 y 32 kbps — se convierte en su propio Release de ese canal, para que un consumidor pueda elegir el mejor ajuste y desduplicar por identidad. El feed de pistas recientes aparece como un horario ordenado de lo que ha estado sonando.
tunein es un cliente TuneIn no oficial para las emisoras de radio lineal e IPTV del mundo. Un camino rápido devuelve solo la carga útil de la búsqueda; una llamada de enriquecimiento opcional rellena género, idioma, país, indicativo y eslogan. Como TuneIn devuelve múltiples URLs de stream por emisora — distintas tasas de bits, réplicas y protocolos — cada una se convierte en su propio Release, dejando de nuevo que el consumidor elija en el momento de la reproducción. Una pequeña CLI te da salida en tabla o JSON.
pyheartradio habla con la API pública de iHeartRadio — sin clave, sin cuenta. Busca emisoras, podcasts, artistas, pistas y listas de reproducción; obtiene episodios de podcast con URLs de stream de audio directas; y se apoya en obtenciones de detalles en paralelo para que las búsquedas de emisora y artista se ejecuten de forma concurrente. Cada modelo ofrece los auxiliares to_external_ids() y to_signals() para encajar directamente en una pipeline de metadatos tipada.
Enciclopedias y archivos de música
La segunda mitad de la familia apunta a los grandes catálogos comunitarios.
pyprogarchives (Prog Archives), pyjazzmusicarchives (Jazz Music Archives) — ambos se instalan directamente desde sus repositorios de GitHub en lugar de PyPI — y pyclassicalarchives (Classical Archives) comparten una forma casi idéntica: navegar el índice A–Z, buscar por nombre y obtener una página completa de artista o compositor con biografía, país y una discografía valorada por los miembros. Prog y Jazz Archives hacen scraping de HTML; Classical Archives envuelve una API JSON pública y expone los álbumes de un compositor y un árbol de obras aplanado recursivamente. Cada modelo lleva el id canónico estable del sitio vía to_external_ids_dict(), que es exactamente lo que necesitas para cruzar un catálogo con otro.
pymetal es nuestro cliente para la Encyclopaedia Metallum, los Metal Archives — y el más ambicioso del conjunto. La mayoría de los scrapers aplana una pista a (id, title, band, album). pymetal se niega a perder lo que Metal Archives mantiene separado: una pista puede acreditar a varias bandas (splits, colaboraciones), la formación de una banda está segmentada a lo largo del tiempo y una pista puede aparecer en muchos lanzamientos (recopilatorios, reediciones, sencillos). Modela cada uno como una entidad de primera clase indexada por el id del archivo, para que los re-scrapes sean idempotentes. La superficie de endpoints es amplia — búsqueda avanzada de banda/álbum/canción, páginas completas de lanzamiento con atribución por banda en los splits, formaciones particionadas por estado con rangos de fechas de función, reseñas, recomendaciones, enlaces externos y letras — todo como modelos Pydantic v2 que hacen round-trip a través de JSON.
Más allá de la música, tutubo hace scraping de YouTube y YouTube Music, y pymal cubre MyAnimeList — extendiendo los mismos patrones de metadatos tipados a categorías de medios más amplias. Todos emiten el mismo vocabulario para que un único consumidor aguas abajo lo maneje todo de forma uniforme.
Construidos para un acceso conforme y de bajo volumen
Estos clientes obtienen únicamente páginas de catálogo públicas, con volúmenes de petición bajos, y comprueban el robots.txt de cada sitio antes de hacer scraping — véase la
entrada sobre robots.txt y sitemaps
para saber cómo funciona ese paso de reconocimiento. En toda la familia la capa HTTP es enchufable: por defecto los clientes usan un transporte cuyo handshake TLS coincide con el de un navegador real (curl_cffi emulando el TLS/JA3 de Chrome), para que un cliente que se comporta bien no sea clasificado erróneamente como automatización maliciosa por sistemas de detección ajustados para el abuso programado. Las enciclopedias tras Cloudflare pueden además enrutar a través de una instancia FlareSolverr para datos en directo, o leer desde la Wayback Machine del Internet Archive como respaldo. La capa de parsing es deliberadamente independiente de cómo llega el HTML, así que el mismo código funciona sea cual sea el transporte que elijas.
Un catálogo de música multifuente
La verdadera recompensa es lo que ocurre cuando dejas de pensar en esto como nueve herramientas separadas. Como todos emiten el mismo vocabulario de metadatos tipado y todos exponen ids externos canónicos, puedes desplegar un único artista por Bandcamp, SoundCloud, los directorios de radio y las enciclopedias, y luego plegar los resultados en un catálogo coherente — desduplicado por identidad, consciente de las licencias y listo para alimentar un motor de recomendación, un servidor de medios o un dataset de investigación.
Cada uno de estos clientes es software libre, autoalojable, y se ejecuta en tu propio hardware, sin necesidad de clave de API. Elige la fuente que te interese: haz pip install si está en PyPI, o pip install git+https://github.com/TigreGotico/<repo> para pyprogarchives y pyjazzmusicarchives, que son solo de GitHub — y empieza a construir.
Todos los scrapers circulan sobre nuestras sesiones requests componibles y directas. Los clientes de streaming y radio emiten el esquema mediavocab directamente, y cada cliente expone ids externos canónicos, para que los metadatos de música se integren con media-archivist, nuestro indexador multifuente y servidor de metadatos desduplicador.