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
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)


# --------------------------
# (*** ส่วนที่แก้ไข ***)
# ดึงราคาหุ้นย้อนหลัง (แก้ไขให้ตรงกับช่วงข่าว)
# --------------------------
@st.cache_data(ttl=3600)
def fetch_stock_price(symbol):
    try:
        # --- (เริ่มการแก้ไข) ---
        # ดึงข้อมูลย้อนหลัง 8 วัน (เพื่อให้ครอบคลุมช่วงข่าว 7 วัน)
        # เราใช้ start/end ที่ชัดเจน แทน period="14d" 
        # เพื่อให้แน่ใจว่าช่วงเวลาตรงกับข่าวที่เพิ่งดึงมา
        end_date = datetime.now()
        start_date = end_date - timedelta(days=8)
        
        df = yf.download(symbol, 
                         start=start_date.strftime('%Y-%m-%d'), 
                         end=end_date.strftime('%Y-%m-%d'), 
                         interval="1d")
        # --- (สิ้นสุดการแก้ไข) ---

        if df.empty:
             st.warning("ไม่พบข้อมูลราคาหุ้นในช่วง 8 วันที่ผ่านมา")
             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"])
        return df
    except Exception as e:
        st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}")
        return pd.DataFrame()


# --------------------------
# MAIN APP (เหมือนเดิมทุกประการ)
# --------------------------
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
    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"])

    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("📈 แนวโน้มอารมณ์ของข่าว & 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 (นี่จะเรียกใช้ฟังก์ชันที่แก้ไขแล้ว)
    _, symbol = resolve_company_symbol(keyword)
    stock_df = fetch_stock_price(symbol) 

    # 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 (ตอนนี้จะแสดงผลตรงช่วงเวลาแล้ว)
    if not stock_df.empty:
        fig.add_trac(go.Scatter(
            x=stock_df["date"], y=stock_df["price"],
            mode="lines+markers", name=f"{symbol} 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()