Update app.py

app.py

@@ -1,137 +1,103 @@
-import os
-import json
+from flask import Flask, request, jsonify
 import firebase_admin
 from firebase_admin import credentials, firestore
-from flask import Flask, request, jsonify
-from transformers import AutoTokenizer, AutoModelForSequenceClassification
-import torch
-import torch.nn.functional as F
+from huggingface_hub import InferenceClient
+import os
+import json
 
 app = Flask(__name__)
 
-# =============================
-# Inicialização segura do Firebase
-# =============================
-firebase_key = os.getenv("FIREBASE_KEY")
-if not firebase_key:
-    raise RuntimeError("❌ FIREBASE_KEY não encontrado nos Secrets do Space.")
-
+# =============== 🔥 Firebase Initialization ==================
 try:
-    cred_dict = json.loads(firebase_key)
-    cred = credentials.Certificate(cred_dict)
-    if not firebase_admin._apps:
+    firebase_json = os.getenv("FIREBASE_CONFIG")
+    if firebase_json:
+        cred_dict = json.loads(firebase_json)
+        cred = credentials.Certificate(cred_dict)
         firebase_admin.initialize_app(cred)
-    db = firestore.client()
-    print("✅ Firebase conectado com sucesso.")
+        db = firestore.client()
+        print("✅ Firebase conectado com sucesso.")
+    else:
+        print("⚠️ Variável FIREBASE_CONFIG não encontrada.")
 except Exception as e:
     print(f"❌ Erro ao inicializar Firebase: {e}")
-    db = None
-
-# =============================
-# Inicialização do modelo Transformers
-# =============================
-MODEL_NAME = "pysentimiento/robertuito-emotion-analysis"  # modelo em espanhol
-tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
-model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)
-labels = model.config.id2label  # mapeia ids para rótulos de emoção
-
-# =============================
-# Fallback baseado em palavras-chave
-# =============================
-fallback_map = {
-    "alegria": ["feliz", "contente", "satisfeito", "alegre", "animado"],
-    "tristeza": ["triste", "chateado", "melancólico", "desanimado"],
-    "depressao": ["deprimido", "sem vontade", "desesperança", "sem energia"],
-    "raiva": ["irritado", "zangado", "raiva", "frustrado"],
-    "ansiedade": ["ansioso", "preocupado", "tenso", "estressado"],
-}
-
-def fallback_emotion(text):
-    lower = text.lower()
-    detected = []
-    for key, words in fallback_map.items():
-        if any(word in lower for word in words):
-            detected.append(key)
-    if not detected:
-        detected = ["tristeza"]
-    return detected
-
-# =============================
-# Rota de teste
-# =============================
-@app.route("/")
-def index():
-    return jsonify({"status": "online", "message": "API Flask funcionando no Space!"})
-
-# =============================
-# Rota principal de análise de emoção
-# =============================
+
+# =============== 🤖 Hugging Face API ==================
+HF_TOKEN = os.getenv("HF_TOKEN")
+if not HF_TOKEN:
+    raise RuntimeError("❌ HF_TOKEN não encontrado nos Secrets do Space.")
+
+client = InferenceClient(token=HF_TOKEN)
+
+# Lista de emoções permitidas
+TARGET_EMOTIONS = ["tristeza", "ansiedade", "insegurança", "raiva", "alegria"]
+
+# =============== 🧩 Função de análise ==================
 @app.route("/analyze", methods=["POST"])
-def analyze():
+def analyze_text():
     try:
-        data = request.get_json()
-        if not data or "text" not in data:
+        data = request.get_json(force=True)
+        text = data.get("text", "").strip()
+
+        if not text:
             return jsonify({"error": "Campo 'text' é obrigatório"}), 400
 
-        text = data["text"]
-        print(f"🧠 Recebido texto para análise: {text}")
-
-        # Tokenização e predição
-        inputs = tokenizer(text, return_tensors="pt", truncation=True)
-        with torch.no_grad():
-            outputs = model(**inputs)
-            probs = F.softmax(outputs.logits, dim=-1).squeeze()
-            prob_dict = {labels[i]: round(float(probs[i]), 4) for i in range(len(labels))}
-        
-        # Escolhe emoção principal
-        main_emotion = max(prob_dict, key=prob_dict.get)
-        detected = [main_emotion]
-
-        # Se nenhuma emoção significativa (prob < 0.2), fallback
-        if prob_dict[main_emotion] < 0.2:
-            detected = fallback_emotion(text)
-            main_emotion = detected[0]
-            status = "fallback"
-            suggestion = "Não foi possível identificar claramente a emoção. Fallback baseado em palavras-chave."
-        else:
-            status = "ok"
-            suggestion = "Sugestão não disponível."
-
-        # Resultado final
+        # Chamada ao modelo Hugging Face
+        response = client.text_classification(
+            model="SamLowe/roberta-base-go_emotions",  # multilabel + multilingue
+            inputs=text,
+        )
+
+        # Extrai as labels com maior score
+        best = max(response, key=lambda x: x["score"])
+        detected_label = best["label"].lower()
+
+        # Mapeia as emoções do modelo para as suas emoções personalizadas
+        mapped_emotion = "insegurança"
+        if "happy" in detected_label or "joy" in detected_label or "content" in detected_label:
+            mapped_emotion = "alegria"
+        elif "anger" in detected_label or "annoyance" in detected_label:
+            mapped_emotion = "raiva"
+        elif "sad" in detected_label or "grief" in detected_label:
+            mapped_emotion = "tristeza"
+        elif "anxiety" in detected_label or "fear" in detected_label or "worry" in detected_label:
+            mapped_emotion = "ansiedade"
+        elif "nervous" in detected_label or "confusion" in detected_label or "embarrassment" in detected_label:
+            mapped_emotion = "insegurança"
+
         result = {
-            "status": status,
-            "emotion": main_emotion,
-            "emode": detected,
-            "probabilities": prob_dict,
-            "suggestion": suggestion,
+            "emotion": mapped_emotion,
+            "score": round(best["score"], 4),
+            "emode": [mapped_emotion],
+            "suggestion": gerar_sugestao(mapped_emotion),
+            "status": "ok"
         }
 
-        # Salva no Firestore
-        if db:
-            db.collection("emotions").add({
-                "text": text,
-                **result
-            })
-
-        return jsonify(result)
+        return jsonify(result), 200
 
     except Exception as e:
-        print(f"❌ Erro detalhado na rota /analyze: {e}")
-        detected = fallback_emotion(data.get("text", "")) if data else ["tristeza"]
-        return jsonify({
-            "status": "fallback",
-            "emotion": detected[0],
-            "emode": detected,
-            "probabilities": {k: 0.0 for k in fallback_map.keys()},
-            "suggestion": "Erro na análise. Fallback baseado em palavras-chave.",
-            "debug": str(e)
-        }), 500
-
-# =============================
-# Inicialização do servidor
-# =============================
-if __name__ == "__main__":
-    port = int(os.environ.get("PORT", 7860))
-    app.run(host="0.0.0.0", port=port, debug=False)
+        return jsonify({"error": str(e)}), 500
+
 
+def gerar_sugestao(emocao):
+    """Sugestões personalizadas por emoção"""
+    sugestoes = {
+        "alegria": "Continue cultivando momentos positivos!",
+        "tristeza": "Procure descansar e conversar com alguém de confiança.",
+        "raiva": "Respire fundo, tente se afastar um pouco da situação.",
+        "ansiedade": "Tente uma pausa breve, respiração profunda e se hidratar.",
+        "insegurança": "Lembre-se do quanto você já conquistou, confie em você!",
+    }
+    return sugestoes.get(emocao, "Tudo bem sentir isso — observe sem se julgar.")
+
+
+@app.route("/", methods=["GET"])
+def home():
+    return jsonify({
+        "message": "API Flask funcionando no Space!",
+        "status": "online"
+    })
+
+
+if __name__ == "__main__":
+    app.run(host="0.0.0.0", port=7860)