app.py

import streamlit as st
from transformers import pipeline, AutoTokenizer, AutoModelForSequenceClassification
import pandas as pd
import torch
import io

# --- Configuration générale de la page ---
st.set_page_config(
    page_title="🌍 Analyseur de Sentiment Multilingue",
    page_icon="🎯",
    layout="centered",
)

# --- Choix du thème (clair/sombre) par l'utilisateur ---
theme = st.sidebar.selectbox("🎨 Choisissez le thème :", ["Clair", "Sombre"])
if theme == "Clair":
    background_color = "#f0f2f6"
else:
    background_color = "#222222"

# --- Application du fond selon le thème choisi ---
st.markdown(
    f"""
    <style>
    .stApp {{
        background-color: {background_color};
    }}
    textarea {{
        border: 2px solid #5DADE2 !important;
        border-radius: 10px !important;
        background-color: #ffffff !important;
    }}
    </style>
    """,
    unsafe_allow_html=True
)

# --- Chargement des modèles IA ---
@st.cache_resource
def load_sentiment_model():
    """Charge le modèle de détection de sentiment."""
    return pipeline("text-classification", model="tabularisai/multilingual-sentiment-analysis")

@st.cache_resource
def load_language_model():
    """Charge le modèle de détection de langue."""
    tokenizer = AutoTokenizer.from_pretrained("papluca/xlm-roberta-base-language-detection")
    model = AutoModelForSequenceClassification.from_pretrained("papluca/xlm-roberta-base-language-detection")
    return tokenizer, model

sentiment_model = load_sentiment_model()
tokenizer_lang, model_lang = load_language_model()

# --- Fonction de détection de langue avec IA ---
def detect_language(text):
    """Détecte automatiquement la langue du texte fourni."""
    inputs = tokenizer_lang(text, return_tensors="pt", truncation=True, max_length=512)
    outputs = model_lang(**inputs)
    predicted_class = torch.argmax(outputs.logits, dim=1)
    label = model_lang.config.id2label[predicted_class.item()]
    return label

# --- Initialisation de l'historique si non existant ---
if 'history' not in st.session_state:
    st.session_state.history = []

# --- Fonction pour calculer la couleur de la barre selon le score ---
def sentiment_color(score):
    """Retourne une couleur RGB en fonction du score de confiance."""
    red = int(255 * (1 - score))
    green = int(255 * score)
    return f'rgb({red},{green},0)'

# --- Interface principale ---
st.title("🎯 Analyseur de Sentiment Multilingue")
st.write("Cette application utilise deux modèles d'IA pour détecter la langue et analyser le sentiment d'un texte.")

# --- Saisie utilisateur ---
user_input = st.text_area("✍️ Entrez vos phrases séparées par un point-virgule ';'", height=180)

# --- Bouton pour déclencher l'analyse ---
if st.button("🔎 Analyser"):
    if not user_input.strip():
        st.warning("⚠️ Merci d'entrer au moins une phrase complète.")
    else:
        phrases = [phrase.strip() for phrase in user_input.split(';') if phrase.strip()]
        st.info(f"Nombre de phrases détectées : {len(phrases)}")
        results = []

        # --- Traitement de chaque phrase ---
        with st.spinner("Analyse en cours... ⏳"):
            for phrase in phrases:
                # Détection de la langue
                try:
                    lang = detect_language(phrase)
                except Exception as e:
                    lang = "Erreur"

                # Analyse du sentiment
                analysis = sentiment_model(phrase)[0]
                sentiment = analysis["label"]
                score = round(analysis["score"], 2)

                # Stockage des résultats
                result_entry = {
                    "Texte": phrase,
                    "Langue": lang,
                    "Sentiment": sentiment,
                    "Score": score
                }
                results.append(result_entry)
                st.session_state.history.append(result_entry)

                # --- Affichage des résultats pour chaque phrase ---
                if "negative" in sentiment.lower():
                    st.toast("🚨 Sentiment négatif détecté !", icon="⚡")
                    st.error(f"😞 Texte : {phrase}")
                elif "positive" in sentiment.lower():
                    st.balloons()
                    st.success(f"😊 Texte : {phrase}")
                else:
                    st.warning(f"😐 Texte : {phrase}")

                # --- Explication du slider de confiance ---
                st.markdown(
                    """
                    <p style="margin-top:20px; text-align:center;">
                    <em>Le score de confiance indique la certitude du modèle concernant l'émotion détectée. Plus le score est élevé, plus la prédiction est fiable.</em>
                    </p>
                    """,
                    unsafe_allow_html=True
                )

                # --- Barre colorée de score ---
                color = sentiment_color(score)
                st.markdown(
                    f"""
                    <div style="margin:10px 0;">
                        <div style="height:20px;width:100%;background:linear-gradient(to right, {color} {score*100}%, #d3d3d3 {score*100}%);border-radius:10px;"></div>
                        <center><small><b>Score de confiance : {score:.0%}</b></small></center>
                    </div>
                    """,
                    unsafe_allow_html=True
                )

# --- Affichage de l'historique des analyses ---
if st.session_state.history:
    st.markdown("---")
    st.subheader("📄 Historique des Analyses")
    df_history = pd.DataFrame(st.session_state.history)
    st.dataframe(df_history)

    # --- Téléchargement de l'historique en CSV ---
    csv = df_history.to_csv(index=False)
    buffer = io.BytesIO()
    buffer.write(csv.encode())
    buffer.seek(0)

    st.download_button(
        label="📥 Télécharger l'historique en CSV",
        data=buffer,
        file_name="historique_sentiment.csv",
        mime="text/csv"
    )

# --- Footer avec crédits modèles ---
st.markdown("---")
st.markdown(
    """
    🔗 [Voir le modèle de sentiment utilisé](https://huggingface.co./tabularisai/multilingual-sentiment-analysis)  
    🔗 [Voir le modèle de détection de langue utilisé](https://huggingface.co./papluca/xlm-roberta-base-language-detection)
    """
)