app.py

import gradio as gr
import time
import pandas as pd
from transformers import pipeline

MAX_CHARS = 1500
History_size = 5

MODELS = {
    "Русский (rubert-tiny)": "cointegrated/rubert-tiny-sentiment-balanced",
    "Twitter-roBERTa": "cardiffnlp/twitter-roberta-base-sentiment-latest"
}

_pipes = {}

# функция выбора конкретной модели
def get_pipe(key):
    if key not in _pipes:
        _pipes[key] = pipeline("sentiment-analysis", model=MODELS[key])
    return _pipes[key]   # ← ВАЖНО: вернуть пайплайн

# анализ текста с историей
def analyze_text(text, model_key, history):
    start = time.time()

    if text is None or not text.strip():
        return "Ошибка: пустой ввод", "", 0.0, history

    text = text.strip()
    if len(text) > MAX_CHARS:
        return "Ошибка: текст слишком длинный", "", 0.0, history

    try:
        a = get_pipe(model_key)
        res = a(text)[0]
        label = res["label"]
        score = round(float(res["score"]), 3)
    except Exception as e:
        return f"Ошибка модели: {e}", "", 0.0, history

    latency = round(time.time() - start, 3)
    record = f"[{model_key}] {text[:80]}... → {label} ({score}), {latency}s"

    if not history:
        history = []

    history = history[-(History_size - 1):]
    history.append(record)

    return label, score, latency, history


# функция для обработки файла
def obr_file(file_obj, model_key):
    if file_obj is None:
        return pd.DataFrame({"error": ["Файл не загружен"]})

    path = file_obj.name.lower()
    if not (path.endswith(".txt") or path.endswith(".csv")):
        return pd.DataFrame({"error": ["Поддерживаются только .txt и .csv"]})

    try:
        if path.endswith(".txt"):
            with open(file_obj.name, "r", encoding="utf-8", errors="ignore") as f:
                texts = [x.strip() for x in f.read().splitlines() if x.strip()]
        else:
            df = pd.read_csv(file_obj.name)
            col = "text" if "text" in df.columns else df.columns[0]
            texts = df[col].astype(str).tolist()
    except Exception as e:
        return pd.DataFrame({"error": [f"Ошибка чтения файла: {e}"]})

    a = get_pipe(model_key)
    rows = []

    for t in texts:
        t = t[:MAX_CHARS]
        res = a(t)[0]
        rows.append({
            "text": t,
            "label": res["label"],
            "score": round(float(res["score"]), 3)
        })

    return pd.DataFrame(rows)


with gr.Blocks() as demo:
    gr.Markdown("🧠 Sentiment Analysis")

    with gr.Row():
        text_input = gr.Textbox(label="Введите текст", lines=5)
        model_choice = gr.Dropdown(list(MODELS.keys()), value="Русский (rubert-tiny)", label="Модель")

    btn = gr.Button("Обработать")

    with gr.Row():
        lab = gr.Textbox(label="Тональность")
        scr = gr.Textbox(label="Уверенность")
        lat = gr.Textbox(label="Время ответа (сек)")

    state = gr.State([])
    box = gr.Textbox(label="История запросов (последние 5)", lines=5)

    btn.click(
        analyze_text,
        inputs=[text_input, model_choice, state],
        outputs=[lab, scr, lat, state]
    ).then(
        lambda h: "\n".join(h),
        inputs=state,
        outputs=box
    )

    gr.Markdown("# Пакетная обработка (TXT/CSV)")
    file_in = gr.File(label="Загрузите файл (.txt или .csv)")
    bbtn = gr.Button("Обработать файл")
    obtn = gr.Dataframe(label="Результаты")

    bbtn.click(obr_file, inputs=[file_in, model_choice], outputs=obtn)

    gr.Examples(
        examples=[
            ["Мне очень понравился этот фильм, всё отлично!", "Русский (rubert-tiny)"],
            ["Это худший опыт в моей жизни.", "Русский (rubert-tiny)"],
            ["The app is amazing!", "Twitter-roBERTa"],
            ["This is terrible and buggy.", "Twitter-roBERTa"]
        ],
        inputs=[text_input, model_choice],
        label="Примеры"
    )

demo.launch()