Update app.py

app.py

@@ -23,6 +23,7 @@ def fetch_naver_news(query, display=10, start=1, sort="date"):
     response = requests.get(url, headers=headers, params=params)
     if response.status_code == 200:
         news_data = response.json()
+        st.write("Fetched News Data:", news_data)  # 네이버 뉴스 데이터 확인
         return news_data
     else:
         st.error(f"Error: {response.status_code}, {response.text}")
@@ -31,16 +32,17 @@ def fetch_naver_news(query, display=10, start=1, sort="date"):
 # Step 2: Hugging Face 번역 모델 로드 (한국어 -> 영어)
 def load_translation_model():
     translator = pipeline("translation", model="Helsinki-NLP/opus-mt-ko-en")
+    st.write("Translation model loaded.")  # 번역 모델 로드 확인
     return translator
 
 # Step 3: Hugging Face 정치 성향 분석 모델 로드
 def load_huggingface_model():
     classifier = pipeline("text-classification", model="bucketresearch/politicalBiasBERT")
+    st.write("Political Bias model loaded.")  # 정치 성향 분석 모델 로드 확인
     return classifier
 
 # Step 4: 정치 성향 분류 함수
 def classify_political_sentiment(text, classifier):
-    # 감성 분석 실행
     result = classifier(text[:512])  # 입력이 너무 길면 잘라서 분석
     sentiment = result[0]
     label = sentiment["label"]
@@ -49,7 +51,6 @@ def classify_political_sentiment(text, classifier):
     # 점수화
     sentiment_score = score if label == "POSITIVE" else -score
 
-    # 키워드 기반 분류 (진보/보수)
     progressive_keywords = ["복지", "평등", "민주", "환경", "사회적 책임"]
     conservative_keywords = ["안보", "전통", "경제", "성장", "질서", "국방"]
 
@@ -59,7 +60,7 @@ def classify_political_sentiment(text, classifier):
         return "보수", sentiment_score
     else:
         return "중립", sentiment_score
-        
+
 # Step 5: 뉴스 분석 및 결과 출력
 def analyze_news_political_orientation(news_items, classifier, translator):
     results = {"진보": 0, "보수": 0, "중립": 0}
@@ -70,10 +71,9 @@ def analyze_news_political_orientation(news_items, classifier, translator):
         description = item["description"]
         combined_text = f"{title}. {description}"
 
-        # 번역: 한국어 -> 영어
         translated_text = translator(combined_text)[0]['translation_text']
+        st.write("Translated Text:", translated_text)  # 번역된 텍스트 확인
 
-        # 정치 성향 분류
         orientation, score = classify_political_sentiment(translated_text, classifier)
         results[orientation] += 1
         detailed_results.append({
@@ -91,13 +91,11 @@ def analyze_news_political_orientation(news_items, classifier, translator):
 st.title("정치 성향 분석 대시보드")
 st.markdown("### 네이버 뉴스 데이터를 실시간으로 수집하고 정치 성향을 분석합니다.")
 
-# 검색 키워드 입력
 query = st.text_input("검색 키워드를 입력하세요", value="정치")
 
 if st.button("분석 시작"):
     with st.spinner("데이터를 분석 중입니다..."):
         try:
-            # 네이버 뉴스 데이터 수집
             news_data = fetch_naver_news(query, display=10)
             
             if news_data is None:
@@ -105,29 +103,23 @@ if st.button("분석 시작"):
             else:
                 news_items = news_data["items"]
 
-                # Hugging Face 모델 로드
                 classifier = load_huggingface_model()
                 translator = load_translation_model()
 
-                # 뉴스 데이터 분석
                 results, detailed_results = analyze_news_political_orientation(news_items, classifier, translator)
 
-                # 분석 결과 시각화
                 st.subheader("분석 결과 요약")
                 st.write(f"진보: {results['진보']}건")
                 st.write(f"보수: {results['보수']}건")
                 st.write(f"중립: {results['중립']}건")
 
-                # 성향 분포 차트
                 st.subheader("성향 분포 차트")
                 st.bar_chart(pd.DataFrame.from_dict(results, orient='index', columns=["건수"]))
 
-                # 세부 결과 출력
                 st.subheader("세부 결과")
                 df = pd.DataFrame(detailed_results)
                 st.dataframe(df)
 
-                # 링크 포함한 뉴스 출력
                 st.subheader("뉴스 링크")
                 for index, row in df.iterrows():
                     st.write(f"- [{row['제목']}]({row['링크']}) (성향: {row['성향']}, 점수: {row['점수']:.2f})")