app.py

import streamlit as st
import requests
import matplotlib.pyplot as plt
import seaborn as sns
from transformers import pipeline
import openai
import os

# Streamlit 페이지 설정을 가장 먼저 호출
st.set_page_config(page_title="정치적 관점 분석", page_icon="📰", layout="wide")

# OpenAI API 키 설정 (환경변수에서 가져오는 방법)
openai.api_key = os.getenv("OPENAI_API_KEY")

# 한글 폰트 설정 (Streamlit에서 적용하기 위해 CSS 추가)
st.markdown(
    """
    <style>
    body {
        font-family: 'Nanum Gothic', sans-serif;
    }
    </style>
    """,
    unsafe_allow_html=True
)

# matplotlib 한글 폰트 설정
import matplotlib
matplotlib.rcParams['font.family'] = 'NanumGothic'  # 한글 폰트를 설정합니다.
matplotlib.rcParams['axes.unicode_minus'] = False  # 마이너스 기호 깨짐 방지

# 네이버 뉴스 API를 통해 실제 뉴스 기사 가져오기
def fetch_naver_news(query, display=5):
    client_id = "I_8koTJh3R5l4wLurQbG"  # 네이버 개발자 센터에서 발급받은 Client ID
    client_secret = "W5oWYlAgur"  # 네이버 개발자 센터에서 발급받은 Client Secret

    url = "https://openapi.naver.com/v1/search/news.json"
    headers = {
        "X-Naver-Client-Id": client_id,
        "X-Naver-Client-Secret": client_secret,
    }
    params = {
        "query": query,
        "display": display,
        "start": 1,
        "sort": "date",  # 최신순으로 정렬
    }

    response = requests.get(url, headers=headers, params=params)
    if response.status_code == 200:
        news_data = response.json()
        return news_data['items']  # 뉴스 기사 리스트 반환
    else:
        st.error("뉴스 데이터를 불러오는 데 실패했습니다.")
        return []

# 정치 성향 분석 모델 로드
def load_sentiment_model():
    classifier = pipeline("text-classification", model="bucketresearch/politicalBiasBERT")
    return classifier

# GPT-4를 이용해 반대 관점 기사 생성
def generate_article_gpt4(prompt):
    try:
        # GPT-4 모델을 이용해 반대 관점 기사를 생성
        response = openai.ChatCompletion.create(
            model="gpt-4",  # GPT-4 모델을 사용
            messages=[ 
                {"role": "system", "content": "You are a helpful assistant that generates articles."},
                {"role": "user", "content": prompt}  # 사용자가 제공한 프롬프트
            ],
            max_tokens=1024,  # 글자 수 제한 해제 (최대 1024 토큰)
            temperature=0.7  # 창의성 정도
        )
        return response['choices'][0]['message']['content']  # GPT의 응답 텍스트 반환
    except Exception as e:
        return f"Error generating text: {e}"

# 정치 성향 분석
def analyze_article_sentiment(text, classifier):
    result = classifier(text[:512])  # 너무 긴 텍스트는 잘라서 분석
    label = result[0]["label"]
    score = result[0]["score"]

    # 모델에서 반환하는 라벨을 "진보", "보수", "중립"으로 매핑
    if label == "LEFT":
        return "진보", score
    elif label == "RIGHT":
        return "보수", score
    else:
        return "중립", score

# 정치적 관점 비교 및 반대 관점 생성
def analyze_news_political_viewpoint(query):
    # 뉴스 데이터 가져오기
    news_items = fetch_naver_news(query)
    if not news_items:
        return [], {}

    classifier = load_sentiment_model()
    results = []
    sentiment_counts = {"진보": 0, "보수": 0, "중립": 0}  # 매핑된 라벨에 맞게 초기화

    for item in news_items:
        title = item["title"]
        description = item["description"]
        link = item["link"]  # 뉴스 링크 가져오기
        combined_text = f"{title}. {description}"

        # 기사 성향 분석
        sentiment, score = analyze_article_sentiment(combined_text, classifier)
        sentiment_counts[sentiment] += 1  # 매핑된 키로 카운트 증가

        # 반대 관점 기사 생성
        opposite_perspective = "보수적" if sentiment == "진보" else "진보적"
        prompt = f"{combined_text}를 기반으로 {opposite_perspective} 관점의 기사를 작성해주세요."
        opposite_article = generate_article_gpt4(prompt)

        results.append({
            "제목": title,
            "원본 기사": description,
            "성향": sentiment,
            "성향 점수": score,
            "대조 관점 기사": opposite_article,
            "뉴스 링크": link  # 링크 추가
        })

    return results, sentiment_counts

# 성향 분포 시각화 (막대 그래프)
def visualize_sentiment_distribution(sentiment_counts):
    fig, ax = plt.subplots(figsize=(8, 5))
    labels = list(sentiment_counts.keys())
    sizes = list(sentiment_counts.values())

    # 색상 설정 (부드러운 팔레트)
    color_palette = sns.color_palette("pastel")[0:len(sizes)]
    
    ax.bar(labels, sizes, color=color_palette)
    ax.set_xlabel('성향', fontsize=14)
    ax.set_ylabel('건수', fontsize=14)
    ax.set_title('뉴스 성향 분포', fontsize=16)
    st.pyplot(fig)

# Streamlit 애플리케이션
st.title("📰 정치적 관점 비교 분석 도구")
st.markdown("뉴스 기사의 정치 성향 분석과 반대 관점 기사를 생성하여 비교합니다.")

# 사용자로부터 검색어 입력 받기
query = st.text_input("검색 키워드를 입력하세요", value="정치")

# 분석 시작 버튼
if st.button("🔍 분석 시작"):
    with st.spinner("분석 중..."):
        analysis_results, sentiment_counts = analyze_news_political_viewpoint(query)

        if analysis_results:
            st.success("뉴스 분석이 완료되었습니다.")
            
            # 성향 분포 시각화 (막대 그래프)
            st.subheader("📊 성향 분포 시각화")
            visualize_sentiment_distribution(sentiment_counts)
            
            # 상세 분석 결과 출력
            st.subheader("📝 상세 분석 결과")
            for result in analysis_results:
                st.write(f"#### {result['제목']}")
                st.write(f"- **원본 기사**: {result['원본 기사']}")
                st.write(f"- **성향**: {result['성향']} (점수: {result['성향 점수']:.2f})")
                st.write(f"- **대조 관점 기사**: {result['대조 관점 기사']}")
                st.write(f"- **뉴스 링크**: [링크]({result['뉴스 링크']})")  # 링크 출력
                st.write("---")
        else:
            st.error("분석된 뉴스 데이터가 없습니다.")