Update app.py

app.py

@@ -18,13 +18,14 @@ warnings.filterwarnings('ignore')
 # AYARLAR VE GLOBAL DEĞİŞKENLER
 # ---------------------------------------------------------
 
-# BURAYA HUGGING FACE TOKEN'INIZI YAZIN (Settings -> Access Tokens -> Write yetkili)
-HF_TOKEN = os.getenv("HF_TOKEN") # veya direkt buraya "hf_..." yazın
+# HF token'ı Spaces Secrets / Environment üzerinden ver:
+# HF_TOKEN = os.getenv("HF_TOKEN")
+HF_TOKEN = os.getenv("HF_TOKEN")
 
-# Llama-3 Modeli (Serverless API üzerinden)
+# Llama-3 Modeli (Serverless Inference API)
 LLM_MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"
 
-# Global Değişkenler
+# Global değişkenler
 embedding_model = None
 llm_client = None
 df = None
@@ -35,57 +36,68 @@ embeddings = None
 # YARDIMCI FONKSİYONLAR
 # ---------------------------------------------------------
 
-def get_llama_sentiment(text, client):
-    """
-    Daha sağlam ve hataları gösteren analiz fonksiyonu.
+def _extract_json_from_text(output_text: str):
+    """LLM çıktısından JSON objesini yakala."""
+    if not output_text:
+        return None
+    # Markdown code block temizliği
+    cleaned = output_text.replace("```json", "").replace("```", "").strip()
+    m = re.search(r"\{.*\}", cleaned, re.DOTALL)
+    if not m:
+        return None
+    try:
+        return json.loads(m.group())
+    except Exception:
+        return None
+
+def get_llama_sentiment(text: str, client: InferenceClient):
     """
-    # Prompt'u Llama-3'ün daha iyi anlayacağı hale getirdik ve örnek verdik.
-    system_prompt = """
-    You are a crypto sentiment analysis expert. Analyze the news title.
-    You MUST return a valid JSON object. Do NOT write any introduction or explanation.
-    
-    Format:
-    {"label": "positive", "score": 0.9}
-    
-    Labels can be: "positive", "negative", "neutral".
-    Score is between 0.0 and 1.0.
+    Llama-3 ile title sentiment.
+    return: (label, score)
     """
-    
+    system_prompt = (
+        "You are a crypto sentiment analysis expert. Analyze the news title.\n"
+        "You MUST return a valid JSON object. Do NOT write any introduction or explanation.\n\n"
+        'Format:\n{"label": "positive", "score": 0.9}\n\n'
+        'Labels can be: "positive", "negative", "neutral".\n'
+        "Score is between 0.0 and 1.0."
+    )
+
     user_prompt = f"News Title: {text}"
-    
+
     try:
         response = client.chat.completions.create(
             model=LLM_MODEL_ID,
             messages=[
                 {"role": "system", "content": system_prompt},
-                {"role": "user", "content": user_prompt}
+                {"role": "user", "content": user_prompt},
             ],
-            max_tokens=100,
-            temperature=0.1 # Daha tutarlı olması için düşürdük
+            max_tokens=120,
+            temperature=0.1,
         )
-        
-        # Yanıtı al
-        output_text = response.choices[0].message.content.strip()
-        
-        # HATA AYIKLAMA: Modelin ne cevap verdiğini konsola basalım
-        # (Çalıştığında burayı kapatabilirsin ama şimdilik kalsın)
-        print(f"Model Yanıtı ({text[:20]...}): {output_text}")
-
-        # Temizlik: Markdown kod bloklarını (```json ... ```) temizle
-        output_text = output_text.replace("```json", "").replace("```", "").strip()
-        
-        # JSON'u bul ve ayıkla
-        json_match = re.search(r'\{.*\}', output_text, re.DOTALL)
-        
-        if json_match:
-            data = json.loads(json_match.group())
-            return data.get("label", "neutral"), float(data.get("score", 0.5))
-        else:
+
+        output_text = (response.choices[0].message.content or "").strip()
+
+        # ✅ HATA: text[:20]... yok -> böyle yap
+        preview = (text[:20] + "...") if (text and len(text) > 20) else (text or "")
+        print(f"Model Yanıtı ({preview}): {output_text}")
+
+        data = _extract_json_from_text(output_text)
+        if not data:
             print(f"⚠️ JSON Bulunamadı. Gelen ham veri: {output_text}")
             return "neutral", 0.5
-            
+
+        label = str(data.get("label", "neutral")).lower().strip()
+        score = float(data.get("score", 0.5))
+
+        # guardrails
+        if label not in {"positive", "negative", "neutral"}:
+            label = "neutral"
+        score = max(0.0, min(1.0, score))
+
+        return label, score
+
     except Exception as e:
-        # HATA BASMA: İşte hatanın asıl sebebini burada göreceksin
         print(f"❌ API/Bağlantı Hatası: {str(e)}")
         return "neutral", 0.5
 
@@ -96,163 +108,151 @@ def get_llama_sentiment(text, client):
 def initialize_models(token_input):
     """Modelleri ve API İstemcisini Başlat"""
     global embedding_model, llm_client, HF_TOKEN
-    
-    # Eğer arayüzden token girildiyse onu kullan
-    if token_input:
-        HF_TOKEN = token_input
-        
+
+    # UI'den token girildiyse onu kullan
+    if token_input and token_input.strip():
+        HF_TOKEN = token_input.strip()
+
     if not HF_TOKEN:
-        return "❌ Hata: Lütfen bir Hugging Face Token giriniz!"
+        return "❌ Hata: Hugging Face Token yok. (Space Secrets'e HF_TOKEN ekle veya buradan gir)"
 
     try:
         if embedding_model is None:
-            # Arama için hafif embedding modeli (Llama-3 embedding için ağır kaçar)
-            embedding_model = SentenceTransformer('all-MiniLM-L6-v2')
-        
+            embedding_model = SentenceTransformer("all-MiniLM-L6-v2")
+
         if llm_client is None:
-            # Llama-3 için Inference Client başlat
             llm_client = InferenceClient(token=HF_TOKEN)
-            
-            # Bağlantı testi
-            try:
-                llm_client.get_model_status(LLM_MODEL_ID)
-            except:
-                pass # Bazen status 403 dönebilir ama model çalışır
-                
-        return f"✅ Llama-3 API ({LLM_MODEL_ID}) ve Embedding modeli hazır!"
+
+        return f"✅ Hazır: Embedding + Llama-3 Client ({LLM_MODEL_ID})"
     except Exception as e:
-        return f"❌ Model yükleme hatası: {str(e)}"
+        return f"❌ Model/Client başlatma hatası: {str(e)}"
 
 def fetch_news():
     """RSS'den haber çek ve Llama-3 ile analiz et"""
-    global df, index, embeddings, llm_client
-    
-    if llm_client is None:
-        return "⚠️ Önce Başlangıç sekmesinden modeli başlatın!", None
+    global df, index, embeddings, llm_client, embedding_model
+
+    if llm_client is None or embedding_model is None:
+        return "⚠️ Önce 'Bağlantıyı Kur' ile modelleri başlat!", None
 
     RSS_URLS = [
         "https://cointelegraph.com/rss",
         "https://cryptonews.com/news/feed",
-        "https://www.coindesk.com/arc/outboundfeeds/rss/"
+        "https://www.coindesk.com/arc/outboundfeeds/rss/",
     ]
-    
+
     all_entries = []
     status_messages = []
-    
-    # Haberleri Topla
+
     for url in RSS_URLS:
         try:
             feed = feedparser.parse(url)
-            # Demo hızı için her kaynaktan sadece 5 haber alalım (API limitleri için)
-            for entry in feed.entries[:5]: 
-                all_entries.append({
-                    "title": entry.get("title", ""),
-                    "link": entry.get("link", ""),
-                    "published": entry.get("published", "")
-                })
+            # Demo hız için 5 haber
+            for entry in feed.entries[:5]:
+                all_entries.append(
+                    {
+                        "title": entry.get("title", ""),
+                        "link": entry.get("link", ""),
+                        "published": entry.get("published", ""),
+                    }
+                )
             status_messages.append(f"✓ {url.split('/')[2]} okundu.")
-        except Exception as e:
+        except Exception:
             status_messages.append(f"✗ {url} hatası.")
-    
+
     df = pd.DataFrame(all_entries).drop_duplicates(subset="title").reset_index(drop=True)
-    
+
     if len(df) == 0:
         return "Haber bulunamadı.", None
 
-    # Llama-3 ile Analiz Döngüsü
-    status_messages.append("\n🤖 Llama-3 ile analiz yapılıyor (Lütfen bekleyin)...")
-    
+    status_messages.append("\n🤖 Llama-3 ile analiz yapılıyor (bekleyin)...")
+
     labels = []
     scores = []
-    
-    # İlerleme çubuğu olmadığı için basit döngü
-    for title in df["title"]:
+    for title in df["title"].tolist():
         lbl, scr = get_llama_sentiment(title, llm_client)
         labels.append(lbl)
         scores.append(scr)
-        
+
     df["sentiment_label"] = labels
     df["sentiment_score"] = scores
-    
-    # FAISS Index Oluştur (Arama için)
-    corpus = df['title'].tolist()
-    embeddings = embedding_model.encode(corpus)
-    dimension = embeddings.shape[1]
-    index = faiss.IndexFlatL2(dimension)
-    index.add(embeddings.astype('float32'))
-    
-    final_msg = "\n".join(status_messages) + f"\n\n✅ {len(df)} haber Llama-3-8B-Instruct tarafından analiz edildi."
-    
+
+    # FAISS index (arama)
+    corpus = df["title"].tolist()
+    embeddings = embedding_model.encode(corpus, show_progress_bar=False)
+    dim = embeddings.shape[1]
+    index = faiss.IndexFlatL2(dim)
+    index.add(embeddings.astype("float32"))
+
+    final_msg = "\n".join(status_messages) + f"\n\n✅ {len(df)} haber analiz edildi."
     return final_msg, df[["title", "sentiment_label", "sentiment_score"]].head(10)
 
 def search_similar_news(query, top_k=3):
-    """Semantik Arama"""
+    """Semantik arama"""
     global df, index, embedding_model
-    
-    if df is None or index is None:
+
+    if df is None or index is None or embedding_model is None:
         return "⚠️ Önce haberleri toplayın!", None
-    
+
     try:
-        q_embedding = embedding_model.encode([query])
-        distances, indices = index.search(q_embedding.astype('float32'), k=min(top_k, len(df)))
-        
+        q_embedding = embedding_model.encode([query], show_progress_bar=False)
+        distances, indices = index.search(q_embedding.astype("float32"), k=min(top_k, len(df)))
+
         results = []
         for idx in indices[0]:
-            news = df.iloc[idx]
-            results.append({
-                "Başlık": news['title'],
-                "Llama-3 Görüşü": news['sentiment_label'],
-                "Güven Skoru": news['sentiment_score'],
-                "Link": news['link']
-            })
-            
+            news = df.iloc[int(idx)]
+            results.append(
+                {
+                    "Başlık": news["title"],
+                    "Llama-3 Görüşü": news["sentiment_label"],
+                    "Güven Skoru": float(news["sentiment_score"]),
+                    "Link": news["link"],
+                }
+            )
+
         return f"🔎 '{query}' için sonuçlar:", pd.DataFrame(results)
     except Exception as e:
         return f"Hata: {str(e)}", None
 
 def analyze_coin_sentiment(coin_name):
-    """Coin Özel Analizi"""
+    """Coin özel analizi"""
     global df
-    if df is None: return "⚠️ Veri yok!", None, None
-    
+    if df is None:
+        return "⚠️ Veri yok!", None, None
+
     filtered = df[df["title"].str.contains(coin_name, case=False, na=False)]
-    if len(filtered) == 0: return f"⚠️ '{coin_name}' hakkında haber yok.", None, None
-    
-    # Grafikler
+    if len(filtered) == 0:
+        return f"⚠️ '{coin_name}' hakkında haber yok.", None, None
+
     sentiment_dist = filtered["sentiment_label"].value_counts()
-    
+
     fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))
-    
-    color_map = {'positive': '#2ecc71', 'negative': '#e74c3c', 'neutral': '#95a5a6'}
-    colors = [color_map.get(x, '#333') for x in sentiment_dist.index]
-    
+    color_map = {"positive": "#2ecc71", "negative": "#e74c3c", "neutral": "#95a5a6"}
+    colors = [color_map.get(x, "#333") for x in sentiment_dist.index]
+
     ax1.bar(sentiment_dist.index, sentiment_dist.values, color=colors)
-    ax1.set_title(f'{coin_name} Sentiment (Llama-3)')
-    
-    ax2.pie(sentiment_dist.values, labels=sentiment_dist.index, autopct='%1.1f%%', colors=colors)
-    
+    ax1.set_title(f"{coin_name} Sentiment (Llama-3)")
+
+    ax2.pie(sentiment_dist.values, labels=sentiment_dist.index, autopct="%1.1f%%", colors=colors)
     plt.tight_layout()
-    
-    # Rapor
-    avg_score = filtered["sentiment_score"].mean()
+
+    avg_score = float(filtered["sentiment_score"].mean())
     report = f"""
-    ### 🤖 Llama-3 Analiz Raporu: {coin_name.upper()}
-    - **Toplam Haber:** {len(filtered)}
-    - **Ortalama Güven Skoru:** {avg_score:.2f}
-    - **Baskın Duygu:** {sentiment_dist.idxmax().upper() if not sentiment_dist.empty else 'N/A'}
-    """
-    
-    return report, fig, filtered[["title", "sentiment_label", "sentiment_score"]]
+### 🤖 Llama-3 Analiz Raporu: {coin_name.upper()}
+- **Toplam Haber:** {len(filtered)}
+- **Ortalama Güven Skoru:** {avg_score:.2f}
+- **Baskın Duygu:** {sentiment_dist.idxmax().upper() if not sentiment_dist.empty else 'N/A'}
+"""
+    return report, fig, filtered[["title", "sentiment_label", "sentiment_score", "link"]]
 
 def create_overview_chart():
-    """Genel Piyasa Durumu"""
+    """Genel piyasa durumu"""
     global df
-    if df is None: return None
-    
+    if df is None:
+        return None
+
     fig, ax = plt.subplots(figsize=(8, 5))
     counts = df["sentiment_label"].value_counts()
-    colors = [{'positive':'green','negative':'red','neutral':'gray'}.get(x,'gray') for x in counts.index]
-    
+    colors = [{"positive": "green", "negative": "red", "neutral": "gray"}.get(x, "gray") for x in counts.index]
     ax.bar(counts.index, counts.values, color=colors)
     ax.set_title("Genel Piyasa Duygu Durumu (Llama-3 Analizi)")
     return fig
@@ -262,38 +262,41 @@ def create_overview_chart():
 # ---------------------------------------------------------
 
 with gr.Blocks(theme=gr.themes.Soft(), title="Crypto News AI (Llama-3)") as app:
-    
     gr.Markdown("# 🦙 Kripto Haber Analizi (Llama-3 Destekli)")
-    gr.Markdown("Bu uygulama, haberlerin duygu analizini yapmak için **Meta-Llama-3-8B-Instruct** modelini kullanır.")
-    
+    gr.Markdown("Bu uygulama, duygu analizi için **Meta-Llama-3-8B-Instruct** kullanır (HF Serverless API).")
+
     with gr.Tab("⚙️ Ayarlar & Başlat"):
-        hf_token_input = gr.Textbox(label="Hugging Face Token (Gerekli)", type="password", placeholder="hf_xxxxx")
+        hf_token_input = gr.Textbox(
+            label="Hugging Face Token (Gerekli)",
+            type="password",
+            placeholder="hf_xxxxx (ister Secrets->HF_TOKEN olarak da koyabilirsin)",
+        )
         init_btn = gr.Button("🚀 Bağlantıyı Kur", variant="primary")
         init_out = gr.Textbox(label="Sistem Durumu")
-        
+
         gr.Markdown("---")
         fetch_btn = gr.Button("📰 Haberleri Çek ve Llama-3'e Sor", variant="secondary")
-        fetch_out = gr.Textbox(label="Log")
+        fetch_out = gr.Textbox(label="Log", lines=8)
         fetch_table = gr.Dataframe(label="Analiz Sonuçları")
-        
+
         init_btn.click(initialize_models, inputs=[hf_token_input], outputs=[init_out])
         fetch_btn.click(fetch_news, outputs=[fetch_out, fetch_table])
-        
+
     with gr.Tab("📊 Coin Analizi"):
         coin_in = gr.Textbox(label="Coin İsmi (örn: Bitcoin)")
         coin_btn = gr.Button("Analiz Et")
         coin_report = gr.Markdown()
         coin_plot = gr.Plot()
         coin_data = gr.Dataframe()
-        
+
         coin_btn.click(analyze_coin_sentiment, inputs=[coin_in], outputs=[coin_report, coin_plot, coin_data])
-        
+
     with gr.Tab("🔎 Arama"):
         search_in = gr.Textbox(label="Ne aramıştınız?")
         search_btn = gr.Button("Bul")
         search_res_txt = gr.Textbox(label="Sonuç")
         search_res_df = gr.Dataframe()
-        
+
         search_btn.click(search_similar_news, inputs=[search_in], outputs=[search_res_txt, search_res_df])
 
     with gr.Tab("📈 Genel Bakış"):
@@ -302,4 +305,4 @@ with gr.Blocks(theme=gr.themes.Soft(), title="Crypto News AI (Llama-3)") as app:
         overview_btn.click(create_overview_chart, outputs=[overview_plot])
 
 if __name__ == "__main__":
-    app.launch()
+    app.launch()