Update app.py

app.py

@@ -1,7 +1,7 @@
 import streamlit as st
 import requests
 from bs4 import BeautifulSoup
-from langchain_core.messages import HumanMessage # แก้ไขตรงนี้
+from langchain_core.messages import HumanMessage # ใช้ langchain_core เพื่อแก้ปัญหาการ Import
 from langchain_groq import ChatGroq
 import json
 import os
@@ -10,11 +10,10 @@ from transformers import pipeline
 # --- 0. CONFIGURATION & INITIALIZATION ---
 
 # การตั้งค่า Groq API Key
-# ใน Hugging Face Space ต้องตั้งค่า GROQ_API_KEY เป็น Secret 
-# Streamlit จะดึงค่านี้มาให้โดยอัตโนมัติ
-GROQ_API_KEY = os.getenv('GROQ_API_KEY')
+# โค้ดจะดึงค่าจาก Secret ที่ชื่อ GROQ_API_KEY ใน Hugging Face Space
+GROQ_API_KEY = os.getenv('GROQ_API_KEY') 
 if not GROQ_API_KEY:
-    st.error("GROQ_API_KEY is not set. Please configure it in your Space Secrets.")
+    st.error("GROQ_API_KEY is not set. Please configure it in your Space Secrets (Settings > Repository secrets).")
     st.stop()
     
 # Initialize the LLM model
@@ -22,13 +21,10 @@ llm = ChatGroq(api_key=GROQ_API_KEY, model="llama-3.1-8b-instant")
 
 # --- 1. SCRAPING FUNCTION (Yahoo Finance Only) ---
 
-# ใช้โค้ด Yahoo Finance ที่เราแก้ไขล่าสุด
 def extract_titles_and_summaries(company_name, num_articles=10):
     """ดึงหัวข้อและสรุปข่าวจาก Yahoo Finance หน้าหลัก"""
     url = 'https://finance.yahoo.com/news/' 
     
-    #st.info(f"-> Scraping Yahoo Finance at: {url}")
-    
     try:
         # เพิ่ม User-Agent เพื่อหลีกเลี่ยงการถูกบล็อก
         response = requests.get(url, headers={'User-Agent': 'Mozilla/5.0'}) 
@@ -72,7 +68,6 @@ def extract_titles_and_summaries(company_name, num_articles=10):
 
 # --- 2. ANALYSIS FUNCTIONS ---
 
-# Function to perform sentiment analysis
 def perform_sentiment_analysis(news_data):
     """ใช้ Hugging Face Pipeline วิเคราะห์ Sentiment"""
     # ใช้ device=-1 เพื่อให้ทำงานบน CPU/อัตโนมัติ 
@@ -101,7 +96,6 @@ def perform_sentiment_analysis(news_data):
             
     return news_data, sentiment_counts
 
-# Function to extract topics
 def extract_topics_with_hf(news_data):
     """ใช้ Hugging Face Pipeline สกัดหัวข้อ"""
     structured_data = {
@@ -127,14 +121,12 @@ def extract_topics_with_hf(news_data):
         
     return structured_data
 
-# Function to extract JSON response from LLM output
 def extract_json(response):
     try:
         return json.loads(response)
     except json.JSONDecodeError:
         return {}
 
-# Function to generate a final sentiment summary using LLM
 def generate_final_sentiment(news_data, sentiment_counts):
     """ใช้ LLM สรุปผลลัพธ์สุดท้าย"""
     company_name = news_data["Company"]
@@ -151,12 +143,10 @@ def generate_final_sentiment(news_data, sentiment_counts):
     
     Respond **ONLY** with a well-structured very concise and short paragraph in plain text, focusing on overall sentiment.
     """
-    # ใช้ HumanMessage จาก langchain_core.messages
     response = llm.invoke([HumanMessage(content=prompt)], max_tokens=200)
     final_sentiment = response if response else "Sentiment analysis summary not available."
     return final_sentiment.content
 
-# Function to compare articles based on common topics and sentiment variations
 def compare_articles(news_data, sentiment_counts):
     """ใช้ LLM เปรียบเทียบและสรุปความแตกต่างของข่าว"""
     articles = news_data.get("Articles", [])
@@ -216,7 +206,6 @@ def compare_articles(news_data, sentiment_counts):
 
 # --- 3. STREAMLIT UI IMPLEMENTATION ---
 
-# ฟังก์ชันแสดงผลลัพธ์ (คัดลอกมาจาก app.py เดิม)
 def display_articles(articles):
     for i, article in enumerate(articles, start=1):
         st.markdown(f"##### **Article {i} ({article['Source']}): {article['Title']}**")
@@ -236,7 +225,6 @@ def display_coverage_differences(coverage_differences):
     if coverage_differences:
         st.markdown("#### **Coverage Differences:**")
         for diff in coverage_differences:
-            # ปรับปรุงการแสดงผลเพื่อหลีกเลี่ยงการพึ่งพาคีย์ที่อาจไม่มี
             comparison = diff.get('Comparison', 'No Comparison Detail')
             impact = diff.get('Impact', 'No Impact Detail')
             st.write(f"- **{comparison}:** {impact}")
@@ -248,7 +236,6 @@ def display_topic_overlap(topic_overlap):
     for article, topics in topic_overlap.get("Unique Topics", {}).items():
         st.write(f"  - **{article}:** {', '.join(topics)}")
 
-# ฟังก์ชันหลักในการประมวลผลทั้งหมด
 def run_analysis(company_name):
     # 1. ดึงข่าว
     with st.spinner('1/4 Scraping news from Yahoo Finance...'):
@@ -298,8 +285,7 @@ def run_analysis(company_name):
     st.markdown(data.get("Final Sentiment Analysis", "No sentiment analysis available."))
     st.markdown("---")
     
-    # ⚠️ ลบส่วน API/Download Hindi Audio/JSON ออก เพราะไม่รองรับในโค้ดนี้
-    st.json(final_report) # แสดงผล JSON ทั้งหมดให้ user เห็น
+    st.json(final_report)
 
 # --- MAIN STREAMLIT APP ---