Delete app.py

app.py

@@ -1,106 +0,0 @@
-import os
-import re
-import torch
-import streamlit as st
-import googleapiclient.discovery
-import pandas as pd
-from transformers import pipeline
-import matplotlib.pyplot as plt
-import seaborn as sns
-
-
-st.title('Анализатор комментариев :red[YouTube] :sunglasses:')
-
-# Получаем YouTube API KEY из secrets
-DEVELOPER_KEY = os.getenv("api_key_youtube")
-
-#if not DEVELOPER_KEY:
-#    raise RuntimeError('Key is not set. Check your environment variables.')
-
-
-# Инициализируем модель Hugging Face для анализа тональности текста
-cls_sent = pipeline("sentiment-analysis", "blanchefort/rubert-base-cased-sentiment")
-
-st.markdown('***')
-st.sidebar.markdown('# Меню')
-st.sidebar.markdown('***')
-
-# Получаем id видеоролика из URL для отправки запроса
-pattern = r"(?<=v=)[\w-]+(?=&|\b)"
-url = st.sidebar.text_input('URL YouTube')
-match = re.search(pattern, url)
-if match:
-    vidID  = match.group()
-    st.success('URL', icon="✅")
-else:
-    st.warning('URL', icon="⚠️")
-    vidID  = 'iA6TZESpg3o'
-
-st.sidebar.markdown('***')
-
-btn_start = st.sidebar.button('Загрузить')
-if btn_start:
-    # Запрос к YouTube API для получения комментариев к видео
-    api_service_name = "youtube"
-    api_version = "v3"
-    youtube = googleapiclient.discovery.build(
-        api_service_name, api_version, developerKey=DEVELOPER_KEY)
-    request = youtube.commentThreads().list(
-        part="snippet",
-        videoId=vidID,
-        maxResults=100
-    )
-    response = request.execute()
-    
-    comments = []
-    # Преобразуем полученные комментарии в DataFrame
-    for item in response['items']:
-        comment = item['snippet']['topLevelComment']['snippet']
-        comments.append([
-            comment['authorDisplayName'],
-            comment['publishedAt'],
-            comment['updatedAt'],
-            comment['likeCount'],
-            comment['textDisplay']
-        ])
-    comments_df = pd.DataFrame(comments, columns=['author', 'published_at', 'updated_at', 'like_count', 'text'])
-
-    # Получаем таблицу с комментариями на странице    
-    st.header('Комментарии из YouTube')
-    selected_columns = ['text', 'author', 'published_at']
-    comments_df = comments_df[selected_columns]
-
-    res_list = []
-    # Анализируем тональность комментария с помощью модели Hugging Face
-    with st.spinner('Идет процесс обработки данных...'):
-        res_list = cls_sent(comments_df['text'].to_list())
-    s_label = f'Готово! Обработано {len(res_list)} комментариев.'
-    st.success(s_label)
-
-    # Выводим таблицу с результатами на странице
-    full_df = pd.concat([pd.DataFrame(res_list), comments_df], axis=1)
-    st.write(full_df)
-    st.markdown('***')
-
-    # Выводим heatmap комментариев по часам и датам     
-    st.header('Комментарии по часам и датам')
-    full_df['published_at'] = pd.to_datetime(full_df['published_at'])
-    full_df['Date'] = full_df['published_at'].dt.date
-    full_df['Hour'] = full_df['published_at'].dt.hour
-    pivot_table = full_df.pivot_table(index='Hour', columns='Date', values='text', aggfunc='count')
-    plt.figure(figsize=(10, 6))
-    sns.heatmap(pivot_table, cmap='YlGnBu')
-    plt.title('Количество комментариев по часам и датам')
-    plt.xlabel('Дата')
-    plt.ylabel('Час')
-    st.pyplot(plt)
-    st.markdown('***')
-
-    # Создаем круговую диаграмму
-    #st.header('Эмоциональная окраска комментариев на YouTube')
-    data = full_df['label'].value_counts()
-    fig, ax = plt.subplots()
-    plt.title("Эмоциональная окраска комментариев на YouTube")
-    label = full_df['label'].unique()
-    ax.pie(data, labels=label, autopct='%1.1f%%')
-    st.pyplot(fig)