Upload app.py

app.py

@@ -0,0 +1,107 @@
+import os
+import re
+
+import torch
+import streamlit as st
+import googleapiclient.discovery
+import pandas as pd
+from transformers import pipeline
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+
+st.title('Анализатор комментариев :red[YouTube] :sunglasses:')
+
+# Получаем YouTube API KEY из secrets
+DEVELOPER_KEY = os.getenv("api_key_youtube")
+
+#if not DEVELOPER_KEY:
+#    raise RuntimeError('Key is not set. Check your environment variables.')
+
+
+# Инициализируем модель Hugging Face для анализа тональности текста
+cls_sent = pipeline("sentiment-analysis",   
+                      "blanchefort/rubert-base-cased-sentiment")
+
+st.markdown('***')
+st.sidebar.markdown('# Меню')
+st.sidebar.markdown('***')
+
+# Получаем id видеоролика из URL для отправки запроса
+pattern = r"(?<=v=)[\w-]+(?=&|\b)"
+url = st.sidebar.text_input('URL YouTube')
+match = re.search(pattern, url)
+if match:
+    vidID  = match.group()
+    st.success('URL', icon="✅")
+else:
+    st.warning('URL', icon="⚠️")
+    vidID  = 'iA6TZESpg3o'
+
+st.sidebar.markdown('***')
+
+btn_start = st.sidebar.button('Загрузить')
+if btn_start:
+    # Запрос к YouTube API для получения комментариев к видео
+    api_service_name = "youtube"
+    api_version = "v3"
+    youtube = googleapiclient.discovery.build(
+        api_service_name, api_version, developerKey=DEVELOPER_KEY)
+    request = youtube.commentThreads().list(
+        part="snippet",
+        videoId=vidID,
+        maxResults=100
+    )
+    response = request.execute()
+    comments = []
+    # Преобразуем полученные комментарии в DataFrame
+    for item in response['items']:
+        comment = item['snippet']['topLevelComment']['snippet']
+        comments.append([
+            comment['authorDisplayName'],
+            comment['publishedAt'],
+            comment['updatedAt'],
+            comment['likeCount'],
+            comment['textDisplay']
+        ])
+    comments_df = pd.DataFrame(comments, columns=['author', 'published_at', 'updated_at', 'like_count', 'text'])
+
+    # Получаем таблицу с комментариями на странице    
+    st.header('Комментарии из YouTube')
+    selected_columns = ['text', 'author', 'published_at']
+    comments_df = comments_df[selected_columns]
+
+    res_list = []
+    # Анализируем тональность комментария с помощью модели Hugging Face
+    with st.spinner('Идет процесс обработки данных...'):
+        res_list = cls_sent(comments_df['text'].to_list())
+    s_label = f'Готово! Обработано {len(res_list)} комментариев.'
+    st.success(s_label)
+
+    # Выводим таблицу с результатами на странице
+    full_df = pd.concat([pd.DataFrame(res_list), comments_df], axis=1)
+    st.write(full_df)
+    st.markdown('***')
+
+    # Выводим heatmap комментариев по часам и датам     
+    st.header('Комментарии по часам и датам')
+    full_df['published_at'] = pd.to_datetime(full_df['published_at'])
+    full_df['Date'] = full_df['published_at'].dt.date
+    full_df['Hour'] = full_df['published_at'].dt.hour
+    pivot_table = full_df.pivot_table(index='Hour', columns='Date', values='text', aggfunc='count')
+    plt.figure(figsize=(10, 6))
+    sns.heatmap(pivot_table, cmap='YlGnBu')
+    plt.title('Количество комментариев по часам и датам')
+    plt.xlabel('Дата')
+    plt.ylabel('Час')
+    st.pyplot(plt)
+    st.markdown('***')
+
+    # Создаем круговую диаграмму
+    st.header('Эмоциональная окраска комментариев на YouTube')
+    data = full_df['label'].value_counts()
+    fig, ax = plt.subplots()
+    plt.title("Эмоциональная окраска комментариев на YouTube")
+    label = full_df['label'].unique()
+    ax.pie(data, labels=label, autopct='%1.1f%%')
+    st.pyplot(fig)