app.py

import streamlit as st
import requests
import pandas as pd
from datetime import datetime, timedelta
from transformers import pipeline
from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer
from textblob import TextBlob
import nltk
from wordcloud import WordCloud
import base64
from io import BytesIO
import numpy as np
from sklearn.linear_model import LinearRegression
import plotly.graph_objects as go
import yfinance as yf

# --------------------------
# CONFIG
# --------------------------
st.set_page_config(page_title="📰 SentimentSync NewsAI", layout="wide")
API_KEY = "88bc396d4eab4be494a4b86ec842db47"

# --------------------------
# UTILITIES
# --------------------------
@st.cache_resource
def load_models():
    st.info("Loading sentiment models...")
    bert_model = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")
    vader = SentimentIntensityAnalyzer()
    return bert_model, vader


def analyze_text(text, bert_model, vader):
    if not text.strip():
        return 0
    vader_score = vader.polarity_scores(text)["compound"]
    textblob_score = TextBlob(text).sentiment.polarity
    bert_result = bert_model(text[:512])[0]
    label_map = {
        "1 star": -1,
        "2 stars": -0.5,
        "3 stars": 0,
        "4 stars": 0.5,
        "5 stars": 1
    }
    bert_score = label_map.get(bert_result["label"], 0)
    return np.mean([vader_score, textblob_score, bert_score])


def generate_wordcloud(text):
    stopwords = nltk.corpus.stopwords.words('english')
    wordcloud = WordCloud(width=800, height=400, background_color="white", stopwords=stopwords).generate(text)
    buf = BytesIO()
    wordcloud.to_image().save(buf, format="PNG")
    return base64.b64encode(buf.getvalue()).decode()


# --------------------------
# ฟังก์ชันใหม่: แปลงตัวย่อหุ้น -> ชื่อบริษัท
# --------------------------
@st.cache_data(ttl=86400)
def resolve_company_name(symbol):
    """รับตัวย่อหุ้น เช่น AAPL แล้วดึงชื่อบริษัท เช่น Apple Inc."""
    try:
        ticker = yf.Ticker(symbol)
        info = ticker.info
        company_name = info.get("longName") or info.get("shortName")
        if company_name:
            return company_name
    except Exception:
        pass
    return symbol  # ถ้าไม่เจอ ใช้ symbol เอง


# --------------------------
# ดึงข่าว 7 วัน สำหรับ symbol + company name
# --------------------------
@st.cache_data(ttl=3600)
def fetch_financial_news(symbol):
    company_name = resolve_company_name(symbol)
    to_date = datetime.now().strftime('%Y-%m-%d')
    from_date = (datetime.now() - timedelta(days=7)).strftime('%Y-%m-%d')

    query = f"({symbol} OR \"{company_name}\") finance stock"

    all_articles = []
    page = 1
    while True:
        url = (
            f"https://newsapi.org/v2/everything?"
            f"q={query}&"
            f"from={from_date}&to={to_date}&"
            f"language=en&sortBy=publishedAt&"
            f"pageSize=100&page={page}&apiKey={API_KEY}"
        )
        r = requests.get(url)
        data = r.json()

        if data.get("status") != "ok":
            st.error(f"API Error: {data}")
            break

        articles = data.get("articles", [])
        if not articles:
            break

        for a in articles:
            if a["description"]:
                all_articles.append({
                    "date": pd.to_datetime(a["publishedAt"]),
                    "text": f"{a['title']} {a['description']}",
                    "source": a["source"]["name"],
                    "url": a["url"]
                })

        if len(articles) < 100:
            break
        page += 1

    return pd.DataFrame(all_articles)


# --------------------------
# ดึงราคาหุ้นย้อนหลัง 14 วัน
# --------------------------
@st.cache_data(ttl=3600)
def fetch_stock_price(symbol):
    try:
        df = yf.download(symbol, period="14d", interval="1d")
        df = df.reset_index()[["Date", "Close"]]
        df.rename(columns={"Date": "date", "Close": "price"}, inplace=True)
        df["date"] = pd.to_datetime(df["date"])
        return df
    except Exception as e:
        st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}")
        return pd.DataFrame()


# --------------------------
# MAIN APP
# --------------------------
def main():
    st.title("📰 SentimentSync NewsAI")
    st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมพยากรณ์ และรวมราคาหุ้น")

    # Sidebar
    with st.sidebar:
        keyword = st.text_input("ค้นหาคำ / ตัวย่อหุ้น (เช่น Tesla หรือ TSLA):", "")
        analyze_btn = st.button("วิเคราะห์เลย")

    if not analyze_btn:
        st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย' เพื่อเริ่มต้น")
        return

    bert_model, vader = load_models()

    # ดึงข่าว
    st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}' ...")
    news_df = fetch_financial_news(keyword)
    if news_df.empty:
        st.warning("ไม่พบบทความข่าวในช่วง 7 วันที่ผ่านมา")
        return

    # วิเคราะห์ sentiment
    st.info("กำลังวิเคราะห์อารมณ์ของข่าว...")
    news_df["sentiment"] = news_df["text"].apply(lambda x: analyze_text(x, bert_model, vader))
    news_df["date"] = pd.to_datetime(news_df["date"])

    avg_sentiment = news_df["sentiment"].mean()
    pos_pct = (news_df["sentiment"] > 0.1).mean() * 100
    neg_pct = (news_df["sentiment"] < -0.1).mean() * 100

    col1, col2, col3 = st.columns(3)
    col1.metric("ค่าเฉลี่ยอารมณ์ข่าว", f"{avg_sentiment:.2f}",
                "Positive" if avg_sentiment > 0 else "Negative" if avg_sentiment < 0 else "Neutral")
    col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%")
    col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%")

    # Wordcloud
    st.subheader("☁️ Word Cloud ของข่าว")
    all_text = " ".join(news_df["text"].tolist())
    img = generate_wordcloud(all_text)
    st.image(f"data:image/png;base64,{img}", use_column_width=True)

    # แนวโน้ม + พยากรณ์ + ราคาหุ้น
    st.subheader("📈 แนวโน้มและพยากรณ์อารมณ์ของข่าว & ราคาหุ้น")
    df_sorted = news_df.sort_values("date").copy()
    df_sorted["timestamp"] = (df_sorted["date"] - df_sorted["date"].min()).dt.days

    # Train sentiment model
    model = LinearRegression()
    model.fit(df_sorted[["timestamp"]], df_sorted["sentiment"])

    # Forecast next 7 days
    future_days = 7
    future_timestamps = np.arange(df_sorted["timestamp"].max() + 1, df_sorted["timestamp"].max() + future_days + 1)
    future_dates = [df_sorted["date"].max() + timedelta(days=i) for i in range(1, future_days + 1)]
    future_preds = model.predict(future_timestamps.reshape(-1, 1))

    # ดึงราคาหุ้น
    stock_df = fetch_stock_price(keyword)

    # Plot
    fig = go.Figure()

    # Actual sentiment
    fig.add_trace(go.Scatter(
        x=df_sorted["date"], y=df_sorted["sentiment"],
        mode="lines+markers", name="Actual Sentiment",
        line=dict(color="blue")
    ))
    # Predicted sentiment
    fig.add_trace(go.Scatter(
        x=future_dates, y=future_preds,
        mode="lines+markers", name="Predicted Sentiment (7-day Forecast)",
        line=dict(color="orange", dash="dash")
    ))
    # Stock price
    if not stock_df.empty:
        fig.add_trace(go.Scatter(
            x=stock_df["date"], y=stock_df["price"],
            mode="lines+markers", name=f"{keyword} Stock Price",
            line=dict(color="green"), yaxis="y2"
        ))

    fig.update_layout(
        title=f"แนวโน้มและพยากรณ์อารมณ์ข่าว & ราคาหุ้น '{keyword}'",
        xaxis_title="วันที่",
        yaxis=dict(title="Sentiment", side="left", range=[-1, 1]),
        yaxis2=dict(title="Stock Price", overlaying="y", side="right", showgrid=False),
        hovermode="x unified",
        template="plotly_white"
    )

    st.plotly_chart(fig, use_container_width=True)

    # แสดงข่าว
    st.subheader("📰 รายการข่าว")
    st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)


if __name__ == "__main__":
    nltk.download("stopwords", quiet=True)
    main()