Update app.py

app.py

@@ -12,7 +12,6 @@ from io import BytesIO
 import numpy as np
 from sklearn.linear_model import LinearRegression
 import plotly.graph_objects as go
-import os
 
 # --------------------------
 # CONFIG
@@ -30,6 +29,7 @@ def load_models():
     vader = SentimentIntensityAnalyzer()
     return bert_model, vader
 
+
 def analyze_text(text, bert_model, vader):
     if not text.strip():
         return 0
@@ -47,38 +47,49 @@ def analyze_text(text, bert_model, vader):
     bert_score = label_map.get(bert_result["label"], 0)
     return np.mean([vader_score, textblob_score, bert_score])
 
+
 @st.cache_data(ttl=3600)
-def fetch_financial_news(keyword, days=7, limit=50):
-    """ดึงข่าวย้อนหลังจาก NewsAPI.org"""
+def fetch_financial_news(keyword, days=7):
+    """ดึงข่าวย้อนหลังจาก NewsAPI.org ตามจำนวนวัน"""
     to_date = datetime.now().strftime('%Y-%m-%d')
     from_date = (datetime.now() - timedelta(days=days)).strftime('%Y-%m-%d')
 
-    url = (
-        f"https://newsapi.org/v2/everything?"
-        f"q={keyword}+finance+stock&"
-        f"from={from_date}&to={to_date}&"
-        f"language=en&sortBy=publishedAt&"
-        f"pageSize={limit}&apiKey={API_KEY}"
-    )
-
-    r = requests.get(url)
-    data = r.json()
+    all_articles = []
+    page = 1
+    while True:
+        url = (
+            f"https://newsapi.org/v2/everything?"
+            f"q={keyword}+finance+stock&"
+            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  # หมดแล้ว
+        page += 1
+
+    return pd.DataFrame(all_articles)
 
-    if data.get("status") != "ok":
-        st.error(f"API Error: {data}")
-        return pd.DataFrame()
-
-    articles = []
-    for a in data["articles"]:
-        if a["description"]:
-            articles.append({
-                "date": pd.to_datetime(a["publishedAt"]),
-                "text": f"{a['title']} {a['description']}",
-                "source": a["source"]["name"],
-                "url": a["url"]
-            })
-
-    return pd.DataFrame(articles)
 
 def generate_wordcloud(text):
     stopwords = nltk.corpus.stopwords.words('english')
@@ -87,17 +98,18 @@ def generate_wordcloud(text):
     wordcloud.to_image().save(buf, format="PNG")
     return base64.b64encode(buf.getvalue()).decode()
 
+
 # --------------------------
 # MAIN APP
 # --------------------------
 def main():
     st.title("📰 SentimentSync NewsAI")
-    st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวการเงินย้อนหลัง 7 วัน พร้อมพยากรณ์ในอนาคต")
+    st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวการเงินย้อนหลังตามจำนวนวันที่เลือก พร้อมพยากรณ์ในอนาคต")
 
     # Sidebar
     with st.sidebar:
         keyword = st.text_input("ค้นหาคำ (เช่น Tesla, Bitcoin, Inflation):", "")
-        limit = st.slider("จำนวนข่าวที่ดึง:", 10, 100, 40)
+        days = st.slider("จำนวนวันย้อนหลัง:", 7, 30, 7)
         analyze_btn = st.button("วิเคราะห์เลย")
 
     if not analyze_btn:
@@ -107,10 +119,10 @@ def main():
     bert_model, vader = load_models()
 
     # ดึงข่าว
-    st.info(f"กำลังดึงข่าวจาก NewsAPI.org สำหรับ '{keyword}' ...")
-    news_df = fetch_financial_news(keyword, limit=limit)
+    st.info(f"กำลังดึงข่าวย้อนหลัง {days} วัน จาก NewsAPI.org สำหรับ '{keyword}' ...")
+    news_df = fetch_financial_news(keyword, days=days)
     if news_df.empty:
-        st.warning("ไม่พบบทความข่าวในช่วง 7 วันที่ผ่านมา")
+        st.warning("ไม่พบบทความข่าวในช่วงเวลาที่เลือก")
         return
 
     # วิเคราะห์ sentiment
@@ -153,21 +165,18 @@ def main():
     # Plot both actual + prediction
     fig = go.Figure()
 
-    # Actual data
     fig.add_trace(go.Scatter(
         x=df_sorted["date"], y=df_sorted["sentiment"],
         mode="lines+markers", name="Actual Sentiment",
         line=dict(color="blue")
     ))
 
-    # Prediction line
     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")
     ))
 
-    # Confidence range (±0.1)
     fig.add_trace(go.Scatter(
         x=future_dates + future_dates[::-1],
         y=list(future_preds + 0.1) + list((future_preds - 0.1)[::-1]),
@@ -186,10 +195,10 @@ def main():
     )
     st.plotly_chart(fig, use_container_width=True)
 
-    # ตารางข่าว (optional)
     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()