app.py

import sys
import os
import pandas as pd
from datetime import datetime, timedelta
from bs4 import BeautifulSoup
import requests
import re
import time
import feedparser
import gradio as gr

# Конфигурация
RSS_URL = 'https://vecherka.su/rss/'  # Обратите внимание: вероятно, опечатка — должно быть 'https://'
CSV_FILE_PATH = 'bd.csv'



def parse_article_date(published_date_str):
    """Парсит дату публикации статьи из RSS в объект datetime."""
    date_formats = [
        '%a, %d %b %Y %H:%M:%S %z',
        '%a, %d %b %Y %H:%M:%S %Z',
        '%d %b %Y'  # запасной вариант
    ]
    for fmt in date_formats:
        try:
            return datetime.strptime(published_date_str, fmt)
        except ValueError:
            continue
    print(f"Could not parse date: '{published_date_str}'")
    return None

def is_recent_article(parsed_date):
    """Проверяет, опубликована ли статья сегодня или вчера."""
    today = datetime.now()
    yesterday = today - timedelta(days=1)
    article_date_str = parsed_date.strftime('%d-%m-%Y')
    today_str = today.strftime('%d-%m-%Y')
    yesterday_str = yesterday.strftime('%d-%m-%Y')
    return article_date_str == today_str or article_date_str == yesterday_str





def extract_images_from_entry(entry):
    """Извлекает URL изображений из RSS‑записи (media_content, links, HTML‑контент)."""
    image_urls = []

    # Из media_content
    if 'media_content' in entry and len(image_urls) < 3:
        for media in entry.media_content:
            if (media.get('type', '').startswith('image/') and
                media.get('url') and media.get('url') not in image_urls):
                image_urls.append(media['url'])
                if len(image_urls) == 3: break

    # Из links с rel='enclosure'
    if 'links' in entry and len(image_urls) < 3:
        for link_entry in entry.links:
            if (link_entry.get('rel') == 'enclosure' and
                link_entry.get('type', '').startswith('image/') and
                link_entry.get('href') and link_entry.get('href') not in image_urls):
                image_urls.append(link_entry['href'])
                if len(image_urls) == 3: break

    # Из HTML‑контента (summary или content)
    html_content = entry.get('summary', '') or (
        entry.get('content', [{}])[0].get('value', '') if entry.get('content') else '')
    if html_content and len(image_urls) < 3:
        soup = BeautifulSoup(html_content, 'html.parser')
        img_tags = soup.find_all('img')
        for img in img_tags:
            if img.get('src') and img.get('src') not in image_urls:
                image_urls.append(img['src'])
                if len(image_urls) == 3: break
    return image_urls



def fetch_article_text(news_link):
    """Загружает и извлекает текст статьи по ссылке."""
    try:
        response = requests.get(news_link, timeout=10)
        response.raise_for_status()
        article_soup = BeautifulSoup(response.text, 'html.parser')
        detail_text_div = article_soup.find('div', class_='detail-text')

        if detail_text_div:
            full_text = detail_text_div.get_text(separator=' ', strip=True)
            # Удаляем предложения с «подписывайтесь»
            full_text = re.sub(r'[^.!?]*\bподписывайтесь\b[^.!?]*[?.!]', '', full_text, flags=re.IGNORECASE)
            full_text = re.sub(r'\s+', ' ', full_text).strip()

            # Пропускаем статьи с «Реклама»
            if re.search(r'\bРеклама\b', full_text, re.IGNORECASE):
                print(f"Skipping article due to 'Реклама' in full text.")
                return None
            return full_text
        else:
            print(f"Could not find 'detail-text' div for article: {news_link}")
            return None
    except requests.exceptions.RequestException as e:
        print(f"Error fetching content for {news_link}: {e}")
        return None
    except Exception as e:
        print(f"Error parsing content for {news_link}: {e}")
        return None




def check_for_new_articles():
    """Основная функция: проверяет RSS‑ленту на новые статьи и сохраняет их в CSV."""
    print(f"[{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] Checking for new articles...")

    # Определяем диапазон дат (сегодня и вчера)
    today_date = datetime.now()
    yesterday_date = today_date - timedelta(days=1)
    today_str = today_date.strftime('%d-%m-%Y')
    yesterday_str = yesterday_date.strftime('%d-%m-%Y')


    return today_str, yesterday_str



def load_existing_articles():
    """Загружает существующие статьи из CSV для предотвращения дубликатов."""
    processed_links = set()
    existing_df = None

    if os.path.exists(CSV_FILE_PATH):
        try:
            existing_df = pd.read_csv(CSV_FILE_PATH, encoding='utf-8-sig', sep=';')
            processed_links = set(existing_df['link'].tolist())
            print(f"Loaded {len(processed_links)} existing articles from {CSV_FILE_PATH}.")
        except Exception as e:
            print(f"Error loading existing CSV: {e}. Starting with an empty processed_links set.")

    return processed_links, existing_df




def fetch_and_parse_rss():
    """Получает и парсит RSS‑ленту."""
    feed = feedparser.parse(RSS_URL)

    if not feed.entries:
        print("No entries found in the RSS feed.")
        return []

    print(f"Found {len(feed.entries)} entries in RSS feed.")
    return feed.entries




def process_single_article(entry, today_str, yesterday_str, processed_links):
    """Обрабатывает одну статью: проверяет дату, извлекает данные, возвращает словарь с данными или None."""
    title = getattr(entry, 'title', 'No Title')
    news_link = getattr(entry, 'link', None)

    # Пропускаем, если нет ссылки или статья уже обработана
    if not news_link or news_link in processed_links:
        return None

    published_date_str = getattr(entry, 'published', None)
    if not published_date_str:
        print(f"Skipping entry '{title}' due to missing publication date.")
        return None

    # Парсим дату публикации
    parsed_date = parse_article_date(published_date_str)
    if not parsed_date:
        return None  # Пропускаем статью, если дату не удалось распарсить

    article_date_str = parsed_date.strftime('%d-%m-%Y')

    # Фильтруем статьи, опубликованные сегодня или вчера
    if article_date_str != today_str and article_date_str != yesterday_str:
        return None

    # Извлекаем URL изображений
    image_urls = extract_images_from_entry(entry)

    # Получаем полный текст статьи
    full_text = fetch_article_text(news_link)
    if not full_text:
        return None

    # Создаём короткий текст (первые 200 символов)
    short_text = full_text[:200] if len(full_text) > 200 else full_text

    return {
        'title': title,
        'published': article_date_str,
        'image_urls': image_urls,
        'link': news_link,
        'full_text': full_text,
        'Status': 'Off',
        'short_text': short_text,
        'Constant': ''
    }


def save_new_articles(new_articles_data, existing_df):
    """Сохраняет новые статьи в CSV‑файл."""
    if not new_articles_data:
        print("No new articles found to add.")
        return 0

    new_df = pd.DataFrame(new_articles_data)
    # Преобразуем список URL изображений в строку через запятую
    new_df['image_urls'] = new_df['image_urls'].apply(lambda x: ', '.join(x))

    if existing_df is not None and not existing_df.empty:
        # Дописываем в существующий файл без заголовка
        new_df.to_csv(
            CSV_FILE_PATH,
            mode='a',
            header=False,
            index=False,
            encoding='utf-8-sig',
            sep=';'
        )
    else:
        # Создаём новый файл с заголовком
        new_df.to_csv(
            CSV_FILE_PATH,
            mode='w',
            header=True,
            index=False,
            encoding='utf-8-sig',
            sep=';'
        )

    articles_added_count = len(new_articles_data)
    print(f"Added {articles_added_count} new articles to {CSV_FILE_PATH}.")
    return articles_added_count



def check_for_new_articles():
    """Основная функция: проверяет RSS‑ленту на новые статьи и сохраняет их в CSV. Возвращает количество добавленных статей."""
    # Шаг 1: инициализация
    today_str, yesterday_str = check_for_new_articles_init()


    # Шаг 2: загрузка существующих статей
    processed_links, existing_df = load_existing_articles()


    # Шаг 3: получение RSS
    entries = fetch_and_parse_rss()
    if not entries:
        return 0

    # Шаг 4: обработка каждой статьи
    new_articles_data = []
    for entry in entries:
        article_data = process_single_article(entry, today_str, yesterday_str, processed_links)
        if article_data:
            new_articles_data.append(article_data)

    # Шаг 5: сохранение результатов
    return save_new_articles(new_articles_data, existing_df)