File size: 14,816 Bytes
b190b45
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
#!/usr/bin/env python3
"""

Hugging Face Dataset Loader Service

دسترسی به Dataset‌های رایگان HuggingFace

"""

import pandas as pd
from typing import Dict, List, Optional, Any, Union
import logging
import asyncio
from datetime import datetime, timedelta

logger = logging.getLogger(__name__)

# بررسی وجود کتابخانه datasets
try:
    from datasets import load_dataset
    DATASETS_AVAILABLE = True
except ImportError:
    DATASETS_AVAILABLE = False
    logger.warning("datasets library not available. Install with: pip install datasets")


class HFDatasetService:
    """

    سرویس برای بارگذاری و استفاده از Dataset‌های رایگان HF

    

    مزایا:

    - دسترسی رایگان به 100,000+ dataset

    - داده تاریخی کریپتو

    - داده اخبار و sentiment

    - بدون نیاز به API key (برای dataset‌های public)

    """
    
    # Dataset‌های معتبر کریپتو که تأیید شده‌اند
    CRYPTO_DATASETS = {
        "linxy/CryptoCoin": {
            "description": "182 فایل CSV با OHLCV برای 26 کریپتو",
            "symbols": ["BTC", "ETH", "BNB", "SOL", "ADA", "XRP", "DOT", "DOGE", 
                       "AVAX", "MATIC", "LINK", "UNI", "ATOM", "LTC", "XMR"],
            "timeframes": ["1m", "5m", "15m", "30m", "1h", "4h", "1d"],
            "columns": ["timestamp", "open", "high", "low", "close", "volume"],
            "date_range": "2017-present"
        },
        "WinkingFace/CryptoLM-Bitcoin-BTC-USDT": {
            "description": "داده تاریخی Bitcoin با indicators",
            "symbols": ["BTC"],
            "timeframes": ["1h"],
            "columns": ["timestamp", "open", "high", "low", "close", "volume", "rsi", "macd"],
            "date_range": "2019-2023"
        },
        "sebdg/crypto_data": {
            "description": "OHLCV + indicators برای 10 کریپتو",
            "symbols": ["BTC", "ETH", "BNB", "ADA", "DOT", "LINK", "UNI", "AVAX", "MATIC", "SOL"],
            "indicators": ["RSI", "MACD", "Bollinger Bands", "EMA", "SMA"],
            "timeframes": ["1h", "4h", "1d"],
            "date_range": "2020-present"
        }
    }
    
    NEWS_DATASETS = {
        "Kwaai/crypto-news": {
            "description": "اخبار کریپتو با sentiment labels",
            "size": "10,000+ news articles",
            "languages": ["en"],
            "date_range": "2020-2023"
        },
        "jacopoteneggi/crypto-news": {
            "description": "اخبار روزانه کریپتو",
            "size": "50,000+ articles",
            "sources": ["CoinDesk", "CoinTelegraph", "Bitcoin Magazine"],
            "date_range": "2018-2023"
        }
    }
    
    def __init__(self):
        self.cache = {}
        self.cache_ttl = 3600  # 1 ساعت
    
    def is_available(self) -> bool:
        """بررسی در دسترس بودن کتابخانه datasets"""
        return DATASETS_AVAILABLE
    
    async def load_crypto_ohlcv(

        self, 

        symbol: str = "BTC", 

        timeframe: str = "1h",

        limit: int = 1000,

        dataset_name: str = "linxy/CryptoCoin"

    ) -> pd.DataFrame:
        """

        بارگذاری OHLCV از Dataset

        

        Args:

            symbol: نماد کریپتو (BTC, ETH, ...)

            timeframe: بازه زمانی (1m, 5m, 1h, 1d, ...)

            limit: تعداد رکورد

            dataset_name: نام dataset

        

        Returns:

            DataFrame شامل OHLCV

        """
        if not DATASETS_AVAILABLE:
            logger.error("datasets library not available")
            return pd.DataFrame()
        
        try:
            # کلید cache
            cache_key = f"{dataset_name}:{symbol}:{timeframe}:{limit}"
            
            # بررسی cache
            if cache_key in self.cache:
                cached_data, cached_time = self.cache[cache_key]
                if (datetime.now() - cached_time).total_seconds() < self.cache_ttl:
                    logger.info(f"Returning cached data for {cache_key}")
                    return cached_data
            
            logger.info(f"Loading dataset {dataset_name} for {symbol}...")
            
            # بارگذاری Dataset
            # استفاده از streaming برای صرفه‌جویی در RAM
            dataset = load_dataset(
                dataset_name,
                split="train",
                streaming=True
            )
            
            # تبدیل به DataFrame (محدود به limit رکورد)
            records = []
            count = 0
            
            for record in dataset:
                # فیلتر بر اساس symbol (اگر فیلد symbol موجود باشد)
                if "symbol" in record:
                    if record["symbol"].upper() != symbol.upper():
                        continue
                
                records.append(record)
                count += 1
                
                if count >= limit:
                    break
            
            df = pd.DataFrame(records)
            
            # استانداردسازی ستون‌ها
            if not df.empty:
                # تبدیل timestamp اگر رشته است
                if "timestamp" in df.columns:
                    if df["timestamp"].dtype == "object":
                        df["timestamp"] = pd.to_datetime(df["timestamp"])
                
                # مرتب‌سازی بر اساس timestamp
                if "timestamp" in df.columns:
                    df = df.sort_values("timestamp", ascending=False)
                
                # ذخیره در cache
                self.cache[cache_key] = (df, datetime.now())
            
            logger.info(f"Loaded {len(df)} records for {symbol}")
            return df
            
        except Exception as e:
            logger.error(f"Error loading dataset: {e}")
            return pd.DataFrame()
    
    async def load_crypto_news(

        self,

        limit: int = 100,

        dataset_name: str = "Kwaai/crypto-news"

    ) -> List[Dict[str, Any]]:
        """

        بارگذاری اخبار کریپتو از Dataset

        

        Args:

            limit: تعداد خبر

            dataset_name: نام dataset

        

        Returns:

            لیست اخبار

        """
        if not DATASETS_AVAILABLE:
            logger.error("datasets library not available")
            return []
        
        try:
            logger.info(f"Loading news from {dataset_name}...")
            
            # بارگذاری Dataset
            dataset = load_dataset(
                dataset_name,
                split="train",
                streaming=True
            )
            
            # استخراج اخبار
            news_items = []
            count = 0
            
            for record in dataset:
                news_item = {
                    "title": record.get("title", ""),
                    "content": record.get("text", record.get("content", "")),
                    "url": record.get("url", ""),
                    "source": record.get("source", "HuggingFace Dataset"),
                    "published_at": record.get("date", record.get("published_at", "")),
                    "sentiment": record.get("sentiment", "neutral")
                }
                
                news_items.append(news_item)
                count += 1
                
                if count >= limit:
                    break
            
            logger.info(f"Loaded {len(news_items)} news articles")
            return news_items
            
        except Exception as e:
            logger.error(f"Error loading news: {e}")
            return []
    
    async def get_historical_prices(

        self,

        symbol: str,

        days: int = 30,

        timeframe: str = "1h"

    ) -> Dict[str, Any]:
        """

        دریافت قیمت‌های تاریخی

        

        Args:

            symbol: نماد کریپتو

            days: تعداد روز گذشته

            timeframe: بازه زمانی

        

        Returns:

            Dict شامل داده قیمت و آمار

        """
        # محاسبه تعداد رکورد مورد نیاز
        records_per_day = {
            "1m": 1440,
            "5m": 288,
            "15m": 96,
            "30m": 48,
            "1h": 24,
            "4h": 6,
            "1d": 1
        }
        
        limit = records_per_day.get(timeframe, 24) * days
        
        # بارگذاری داده
        df = await self.load_crypto_ohlcv(symbol, timeframe, limit)
        
        if df.empty:
            return {
                "status": "error",
                "error": "No data available",
                "symbol": symbol
            }
        
        # محاسبه آمار
        latest_close = float(df.iloc[0]["close"]) if "close" in df.columns else 0
        earliest_close = float(df.iloc[-1]["close"]) if "close" in df.columns else 0
        
        price_change = latest_close - earliest_close
        price_change_pct = (price_change / earliest_close * 100) if earliest_close > 0 else 0
        
        high_price = float(df["high"].max()) if "high" in df.columns else 0
        low_price = float(df["low"].min()) if "low" in df.columns else 0
        avg_volume = float(df["volume"].mean()) if "volume" in df.columns else 0
        
        return {
            "status": "success",
            "symbol": symbol,
            "timeframe": timeframe,
            "days": days,
            "records": len(df),
            "latest_price": latest_close,
            "price_change": price_change,
            "price_change_pct": price_change_pct,
            "high": high_price,
            "low": low_price,
            "avg_volume": avg_volume,
            "data": df.to_dict(orient="records")[:100],  # محدود به 100 رکورد اول
            "source": "HuggingFace Dataset",
            "is_free": True
        }
    
    def get_available_datasets(self) -> Dict[str, Any]:
        """

        لیست Dataset‌های موجود

        """
        return {
            "crypto_data": {
                "total": len(self.CRYPTO_DATASETS),
                "datasets": self.CRYPTO_DATASETS
            },
            "news_data": {
                "total": len(self.NEWS_DATASETS),
                "datasets": self.NEWS_DATASETS
            },
            "library_available": DATASETS_AVAILABLE,
            "installation": "pip install datasets" if not DATASETS_AVAILABLE else "✅ Installed"
        }
    
    def get_supported_symbols(self) -> List[str]:
        """

        لیست نمادهای پشتیبانی شده

        """
        symbols = set()
        for dataset_info in self.CRYPTO_DATASETS.values():
            symbols.update(dataset_info.get("symbols", []))
        return sorted(list(symbols))
    
    def get_supported_timeframes(self) -> List[str]:
        """

        لیست بازه‌های زمانی پشتیبانی شده

        """
        timeframes = set()
        for dataset_info in self.CRYPTO_DATASETS.values():
            timeframes.update(dataset_info.get("timeframes", []))
        return sorted(list(timeframes))


# ===== توابع کمکی =====

async def quick_price_data(

    symbol: str = "BTC",

    days: int = 7

) -> Dict[str, Any]:
    """

    دریافت سریع داده قیمت

    

    Args:

        symbol: نماد کریپتو

        days: تعداد روز

    

    Returns:

        Dict شامل داده و آمار

    """
    service = HFDatasetService()
    return await service.get_historical_prices(symbol, days)


async def quick_crypto_news(limit: int = 10) -> List[Dict[str, Any]]:
    """

    دریافت سریع اخبار کریپتو

    

    Args:

        limit: تعداد خبر

    

    Returns:

        لیست اخبار

    """
    service = HFDatasetService()
    return await service.load_crypto_news(limit)


# ===== مثال استفاده =====
if __name__ == "__main__":
    async def test_service():
        """تست سرویس"""
        print("🧪 Testing HF Dataset Service...")
        
        service = HFDatasetService()
        
        # بررسی در دسترس بودن
        print(f"\n1️⃣ Library available: {service.is_available()}")
        
        if not service.is_available():
            print("   ⚠️  Install with: pip install datasets")
            return
        
        # لیست dataset‌ها
        print("\n2️⃣ Available Datasets:")
        datasets = service.get_available_datasets()
        print(f"   Crypto datasets: {datasets['crypto_data']['total']}")
        print(f"   News datasets: {datasets['news_data']['total']}")
        
        # نمادهای پشتیبانی شده
        print("\n3️⃣ Supported Symbols:")
        symbols = service.get_supported_symbols()
        print(f"   {', '.join(symbols[:10])}...")
        
        # تست بارگذاری قیمت
        print("\n4️⃣ Loading BTC price data...")
        try:
            result = await service.get_historical_prices("BTC", days=7, timeframe="1h")
            if result["status"] == "success":
                print(f"   ✅ Loaded {result['records']} records")
                print(f"   Latest price: ${result['latest_price']:,.2f}")
                print(f"   Change: {result['price_change_pct']:+.2f}%")
                print(f"   High: ${result['high']:,.2f}")
                print(f"   Low: ${result['low']:,.2f}")
            else:
                print(f"   ❌ Error: {result.get('error')}")
        except Exception as e:
            print(f"   ❌ Exception: {e}")
        
        # تست بارگذاری اخبار
        print("\n5️⃣ Loading crypto news...")
        try:
            news = await service.load_crypto_news(limit=5)
            print(f"   ✅ Loaded {len(news)} news articles")
            for i, article in enumerate(news[:3], 1):
                print(f"   {i}. {article['title'][:60]}...")
        except Exception as e:
            print(f"   ❌ Exception: {e}")
        
        print("\n✅ Testing complete!")
    
    import asyncio
    asyncio.run(test_service())