Update app.py

app.py

@@ -13,6 +13,9 @@ import re
 from bs4 import BeautifulSoup
 import requests
 
+# 引入 BERT 預測模組
+from Bert_predict import predict_sentiment
+
 # 台股代號對應表 (移除台指期，因為它現在是獨立區塊)
 TAIWAN_STOCKS = {
     '元大台灣50': '0050.TW', # 新增
@@ -1476,57 +1479,135 @@ def update_comparison_analysis(selected_stocks, period):
     [dash.dependencies.Input('stock-dropdown', 'value')]
 )
 def update_sentiment_analysis(selected_stock):
-    # 模擬情緒指標（實際應用中可接入新聞API或情緒分析服務）
-    sentiment_score = np.random.uniform(30, 80)  # 模擬情緒分數 0-100
+    stock_name = [name for name, symbol in TAIWAN_STOCKS.items() if symbol == selected_stock][0]
+    
+    # --- 修改部分：從 CSV 檔案讀取新聞 ---
+    # 假設 CSV 檔案名稱是 'news_YYYY-MM-DD.csv' 並且與主程式在同一目錄
+    # 您需要確保新聞檔案的命名規則與此一致，或者修改檔案名稱的獲取方式
+    today_str = datetime.now().strftime('%Y-%m-%d') # 獲取今天的日期
+    news_csv_filename = f'news_{today_str}.csv' # 例如: news_2025-09-12.csv
+    
+    news_items_content = []
+    try:
+        # 檢查檔案是否存在
+        if not os.path.exists(news_csv_filename):
+            print(f"警告：新聞檔案 '{news_csv_filename}' 不存在。將使用預設新聞。")
+            # 如果檔案不存在，可以選擇顯示錯誤訊息或使用預設模擬新聞
+            news_items_content = [
+                f"⚠️ 無法載入新聞檔案 '{news_csv_filename}'，顯示預設內容。",
+                f"📈 {stock_name} 股價受到市場關注。",
+                f"📉 投資者情緒趨於謹慎。",
+            ]
+        else:
+            news_df = pd.read_csv(news_csv_filename)
+            # 確保 CSV 檔案中存在 '內容' 欄位
+            if '內容' in news_df.columns:
+                news_items_content = news_df['內容'].tolist()
+            else:
+                print(f"警告：CSV 檔案 '{news_csv_filename}' 中未找到 '內容' 欄位。")
+                news_items_content = [
+                    f"⚠️ CSV 檔案 '{news_csv_filename}' 格式錯誤，未找到 '內容' 欄位。",
+                    f"📈 {stock_name} 股價動態。",
+                    f"📉 市場消息更新。",
+                ]
+    except FileNotFoundError:
+        print(f"警告：新聞檔案 '{news_csv_filename}' 讀取時發生 FileNotFoundError。")
+        news_items_content = [
+            f"⚠️ 讀取新聞檔案 '{news_csv_filename}' 時發生錯誤。",
+            f"📈 {stock_name} 股價分析。",
+            f"📉 投資者情緒參考。",
+        ]
+    except Exception as e:
+        print(f"讀取 CSV 檔案 '{news_csv_filename}' 時發生未預期錯誤：{e}")
+        news_items_content = [
+            f"⚠️ 讀取新聞檔案 '{news_csv_filename}' 時發生錯誤：{e}",
+            f"📈 {stock_name} 股價資訊。",
+            f"📉 市場趨勢分析。",
+        ]
+
+    # --- 接著對讀取的新聞內容進行情緒分析 ---
+    total_sentiment_score = 0
+    analyzed_news_html = []
+    sentiment_mapping = {'negative': 0, 'neutral': 50, 'positive': 100} # BERT 輸出的映射
+
+    if not news_items_content: # 如果 news_items_content 為空
+        analyzed_news_html.append(html.P("目前沒有新聞可供分析。", style={'font-style': 'italic'}))
+        avg_sentiment_score = 50 # 預設為中性
+    else:
+        for news in news_items_content:
+            # 使用 BERT 模型進行預測
+            # predict_sentiment 應返回 (sentiment_label, probability_score)
+            # 例如：('positive', 0.95)
+            sentiment_label, probability_score = predict_sentiment(news)
+            
+            # 將情緒標籤轉換為數值分數
+            numeric_score = sentiment_mapping.get(sentiment_label, 50) # 預設為中性
+            
+            total_sentiment_score += numeric_score
+
+            # 設置顯示顏色和表情符號
+            sentiment_emoji = '⚪'
+            sentiment_color = 'gray'
+            if sentiment_label == 'positive':
+                sentiment_emoji = '🟢'
+                sentiment_color = 'green'
+            elif sentiment_label == 'neutral':
+                sentiment_emoji = '🟡'
+                sentiment_color = 'orange'
+            elif sentiment_label == 'negative':
+                sentiment_emoji = '🔴'
+                sentiment_color = 'red'
+            
+            # 建立新聞摘要的 HTML 元素
+            analyzed_news_html.append(
+                html.P([
+                    html.Span(f"{sentiment_emoji} ", style={'font-size': '1.2em'}),
+                    html.A(news, href="#", style={
+                        'color': sentiment_color,
+                        'text-decoration': 'none',
+                        'font-weight': 'bold'
+                    }),
+                    html.Br(),
+                    html.Small(f"情緒: {sentiment_label}, 信賴度: {probability_score:.2%}", style={'margin-left': '20px', 'color': 'gray'})
+                ], style={
+                    'margin': '8px 0',
+                    'padding': '8px',
+                    'background': '#f8f9fa',
+                    'border-radius': '5px',
+                    'border-left': f'3px solid {sentiment_color}',
+                    'font-size': '13px'
+                })
+            )
+
+        # 計算平均情緒分數
+        avg_sentiment_score = total_sentiment_score / len(news_items_content)
 
-    # 建立情緒指標圓形圖
+    # --- 建立情緒指標圓形圖 (Gauge Chart) ---
     gauge_fig = go.Figure(go.Indicator(
-        mode = "gauge+number+delta",
-        value = sentiment_score,
+        mode = "gauge+number",
+        value = avg_sentiment_score,
         domain = {'x': [0, 1], 'y': [0, 1]},
         title = {'text': "市場情緒指數"},
-        delta = {'reference': 50},
         gauge = {
-            'axis': {'range': [None, 100]},
-            'bar': {'color': "darkred"},
+            'axis': {'range': [0, 100], 'tickvals': [0, 25, 50, 75, 100], 'ticktext': ['極度負面', '', '中性', '', '極度正面']},
+            'bar': {'color': "#667eea"}, # 預設的 bar 顏色，可選
             'steps': [
-                {'range': [0, 30], 'color': "lightgreen"},
-                {'range': [30, 70], 'color': "lightgray"},
-                {'range': [70, 100], 'color': "lightcoral"}
+                {'range': [0, 30], 'color': "#e74c3c"},     # 紅色 (負面)
+                {'range': [30, 70], 'color': "#f1c40f"},    # 黃色 (中性)
+                {'range': [70, 100], 'color': "#2ecc71"}    # 綠色 (正面)
             ],
-            'threshold': {
-                'line': {'color': "red", 'width': 4},
-                'thickness': 0.75,
-                'value': 90
-            }
+            # 您可以在這裡調整 threshold 的設定，如果需要的話
+            # 'threshold': {
+            #     'line': {'color': "red", 'width': 4},
+            #     'thickness': 0.75,
+            #     'value': 75 # 例如，設定一個門檻值
+            # }
         }
     ))
 
     gauge_fig.update_layout(height=200, margin=dict(l=20, r=20, t=40, b=20))
 
-    # 模擬新聞摘要
-    stock_name = [name for name, symbol in TAIWAN_STOCKS.items() if symbol == selected_stock][0]
-
-    news_items = [
-        f"📈 {stock_name}獲外資調升目標價，看好後續發展前景",
-        f"💼 法人預期{stock_name}下季營收將較上季成長5-10%",
-        f"🌐 國際市場波動對{stock_name}影響有限，基本面穩健",
-        f"⚡ 產業景氣回溫，{stock_name}受惠程度值得關注",
-        f"📊 技術面顯示{stock_name}突破關鍵壓力，短線偏多"
-    ]
-
-    news_content = html.Div([
-        html.P(news, style={
-            'margin': '8px 0',
-            'padding': '8px',
-            'background': '#f8f9fa',
-            'border-radius': '5px',
-            'border-left': '3px solid #17a2b8',
-            'font-size': '13px'
-        }) for news in news_items[:3]  # 顯示前3條
-    ])
-
-    return dcc.Graph(figure=gauge_fig), news_content
+    return dcc.Graph(figure=gauge_fig), html.Div(analyzed_news_html)
 
 # 在 Colab 中執行的設定
 if __name__ == '__main__':