app.py

import streamlit as st
import requests
import pandas as pd
from datetime import datetime, timedelta
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
from plotly.subplots import make_subplots
import yfinance as yf

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

# --------------------------
# UTILITIES
# --------------------------
def analyze_text(text, vader):
    if not text.strip():
        return 0
    vader_score = vader.polarity_scores(text)["compound"]
    textblob_score = TextBlob(text).sentiment.polarity
    return np.mean([vader_score, textblob_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()


# --------------------------
# แปลงชื่อ/ตัวย่อ → (Company Name, Symbol)
# --------------------------
def resolve_company_symbol(keyword: str):
    keyword = keyword.strip()
    ticker = None
    name = None

    try:
        data = yf.Ticker(keyword)
        info = data.info
        if "symbol" in info and info["symbol"]:
            ticker = info["symbol"]
            name = info.get("longName", info.get("shortName", keyword))
        else:
            url = f"https://query2.finance.yahoo.com/v1/finance/search?q={keyword}"
            res = requests.get(url).json()
            if "quotes" in res and len(res["quotes"]) > 0:
                q = res["quotes"][0]
                ticker = q.get("symbol")
                name = q.get("longname", q.get("shortname", keyword))
    except Exception as e:
        print("Lookup failed:", e)

    if not ticker:
        ticker = keyword.upper()
    if not name:
        name = keyword.capitalize()

    return name, ticker


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

    query_keyword = f"({company} OR {symbol}) finance stock"

    all_articles = []
    page = 1
    while True:
        url = (
            f"https://newsapi.org/v2/everything?"
            f"q={query_keyword}&"
            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)


# --------------------------
# ดึงราคาหุ้นตามช่วงเวลาที่กำหนด
# --------------------------
@st.cache_data(ttl=3600)
def fetch_stock_price(symbol, start_date, end_date):
    try:
        start_str = (start_date - timedelta(days=2)).strftime('%Y-%m-%d')
        end_str = (end_date + timedelta(days=1)).strftime('%Y-%m-%d')
        
        df = yf.download(symbol, start=start_str, end=end_str, interval="1d")
        
        if df.empty:
            st.warning("ไม่พบข้อมูลราคาหุ้นในช่วงเวลานี้")
            return pd.DataFrame()
            
        df = df.reset_index()[["Date", "Close"]]
        df.rename(columns={"Date": "date", "Close": "price"}, inplace=True)
        df["date"] = pd.to_datetime(df["date"].dt.date)
        return df
    except Exception as e:
        st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}")
        return pd.DataFrame()


# --------------------------
# MAIN APP (เพิ่ม Code Debug)
# --------------------------
def main():
    st.title("📰 SentimentSync NewsAI")
    st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น")

    # 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

    vader = SentimentIntensityAnalyzer()

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

    # แสดง Metric (ยังใช้ข้อมูลทั้งหมด)
    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 (ยังใช้ข้อมูลทั้งหมด)
    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)

    # -----------------------------------------------------------------
    # กราฟไฮบริด (Ref1 + Prediction)
    # -----------------------------------------------------------------
    st.subheader("📈 แนวโน้มอารมณ์ของข่าว & ราคาหุ้น")
    
    # 1. รวบรวมข้อมูลข่าวเป็นรายวัน (Daily Aggregation)
    news_df["date_day"] = pd.to_datetime(news_df["date"].dt.date)

    def sentiment_type(score):
        if score > 0.1: return "positive"
        if score < -0.1: return "negative"
        return "neutral"
    
    news_df["sentiment_type"] = news_df["sentiment"].apply(sentiment_type)

    daily_avg_sentiment = news_df.groupby("date_day").agg(
        avg_sentiment=('sentiment', 'mean')
    ).reset_index()

    daily_counts = news_df.groupby(["date_day", "sentiment_type"]).size().unstack(fill_value=0).reset_index()
    
    daily_data = pd.merge(daily_avg_sentiment, daily_counts, on="date_day", how="left").fillna(0)
    
    for col in ['positive', 'negative', 'neutral']:
        if col not in daily_data.columns:
            daily_data[col] = 0
            
    # 2. เทรนโมเดล Prediction โดยใช้ข้อมูล "รายวัน"
    df_sorted = daily_data.sort_values("date_day").copy()
    
    if len(df_sorted) < 2:
        st.warning("มีข้อมูลข่าวไม่เพียงพอที่จะสร้างแนวโน้ม (น้อยกว่า 2 วัน)")
        return

    df_sorted["timestamp"] = (df_sorted["date_day"] - df_sorted["date_day"].min()).dt.days

    model = LinearRegression()
    model.fit(df_sorted[["timestamp"]], df_sorted["avg_sentiment"])

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

    # 3. ดึงราคาหุ้น (ในช่วงเวลาเดียวกับข่าว)
    _, symbol = resolve_company_symbol(keyword)
    min_date = df_sorted["date_day"].min()
    max_date = df_sorted["date_day"].max()
    
    st.info(f"กำลังดึงราคาหุ้น {symbol} ระหว่างวันที่ {min_date.strftime('%Y-%m-%d')} ถึง {max_date.strftime('%Y-%m-%d')}...")
    stock_df = fetch_stock_price(symbol, min_date, max_date)

    # ---------------------------------
    # ----- (เพิ่ม DEBUGGING) -----
    st.subheader("🕵️ DEBUGGING INFO: ข้อมูลราคาหุ้นที่ดึงได้")
    st.write(f"Found {len(stock_df)} stock price data points:")
    st.dataframe(stock_df)
    # ---------------------------------

    # 4. สร้างกราฟ (Plot) ด้วย Subplots
    fig = make_subplots(rows=2, cols=1, specs=[[{"secondary_y": True}], [{}]],
                         row_heights=[0.7, 0.3], vertical_spacing=0.1,
                         shared_xaxes=True)

    # --- กราฟส่วนบน (ราคา, Sentiment, Prediction) ---
    if not stock_df.empty:
        fig.add_trace(
            go.Scatter(
                x=stock_df["date"], y=stock_df["price"],
                name=f"{symbol} Stock Price",
                line=dict(color="green", width=2)
            ),
            row=1, col=1, secondary_y=False
        )

    fig.add_trace(
        go.Scatter(
            x=df_sorted["date_day"], y=df_sorted["avg_sentiment"],
            name="Actual Sentiment (Daily Avg)",
            mode="lines+markers",
            line=dict(color="blue", width=2)
        ),
        row=1, col=1, secondary_y=True
    )
    
    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")
    ),
    row=1, col=1,
    secondary_y=True
    )

    # --- กราฟส่วนล่าง (จำนวนข่าว) ---
    fig.add_trace(go.Bar(x=df_sorted["date_day"], y=df_sorted["neutral"], name="Neutral", marker_color='rgba(128, 128, 128, 0.7)'), row=2, col=1)
    fig.add_trace(go.Bar(x=df_sorted["date_day"], y=df_sorted["negative"], name="Negative", marker_color='rgba(255, 0, 0, 0.7)'), row=2, col=1)
    fig.add_trace(go.Bar(x=df_sorted["date_day"], y=df_sorted["positive"], name="Positive", marker_color='rgba(0, 128, 0, 0.7)'), row=2, col=1)
    
    # 5. ตกแต่ง Layout
    fig.update_layout(
        title=f"แนวโน้มอารมณ์ข่าว & ราคาหุ้น '{keyword}'",
        template="plotly_white",
        hovermode="x unified",
        barmode='stack',
        legend=dict(orientation='h', yanchor='bottom', y=1.02, xanchor='right', x=1),
        height=600,
        margin=dict(l=20, r=20, t=80, b=20)
    )
    
    fig.update_yaxes(title_text="Stock Price", row=1, col=1, secondary_y=False)
    fig.update_yaxes(title_text="Sentiment Score", range=[-1, 1], row=1, col=1, secondary_y=True)
    fig.update_yaxes(title_text="Article Count", row=2, col=1)
    fig.update_xaxes(title_text="วันที่", row=2, col=1)

    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()