Temas generados a partir de los hashtags de YouTube

build.py

@@ -1,6 +1,9 @@
 """Genera index.html a partir del feed RSS del canal (se ejecuta cada 15 min en el contenedor)."""
 import html
 import os
+import re
+import unicodedata
+from collections import Counter
 import shutil
 import sys
 import urllib.request
@@ -11,7 +14,8 @@ from PIL import Image, ImageStat
 OUT = os.environ.get('SITE_DIR', 'public')
 FEED = os.environ.get('FEED_URL', 'https://www.youtube.com/feeds/videos.xml?channel_id=UC8gVtzB3Lqm7nnfMhMvXGxQ')
 MAX_VIDEOS = 15
-NS = {'a': 'http://www.w3.org/2005/Atom', 'y': 'http://www.youtube.com/xml/schemas/2015'}
+NS = {'a': 'http://www.w3.org/2005/Atom', 'y': 'http://www.youtube.com/xml/schemas/2015',
+      'm': 'http://search.yahoo.com/mrss/'}
 MESES = ['ene', 'feb', 'mar', 'abr', 'may', 'jun', 'jul', 'ago', 'sep', 'oct', 'nov', 'dic']
 YT = 'https://www.youtube.com/@andaquenosabesna'
 TT = 'https://www.tiktok.com/@andaquenosabesna'
@@ -37,6 +41,7 @@ for e in root.findall('a:entry', NS)[:MAX_VIDEOS]:
         'id': e.find('y:videoId', NS).text,
         'title': e.find('a:title', NS).text,
         'date': f'{int(d[2])} {MESES[int(d[1]) - 1]} {d[0]}',
+        'desc': e.find('m:group/m:description', NS).text or '',
     })
 
 def sync_thumbs(vids):
@@ -72,6 +77,44 @@ def is_short(vid):
     return ImageStat.Stat(im.crop((0, 0, int(w * .18), h))).stddev[0] < 25
 
 
+# --- Temas: hashtags de las descripciones de YouTube -------------------------------------------
+STOP = {'podcast', 'podcastclips', 'andaquenosabesna', 'andaquenosabesna', 'aqnsn', 'shorts', 'short', 'fyp',
+        'viral', 'parati', 'galaxoide', 'youtube', 'video', 'clips'}
+LABELS = {  # clave normalizada -> texto a mostrar (sinónimos incluidos)
+    'egipto': 'Egipto', 'egiptomania': 'Egipto', 'educacion': 'Educación', 'arabe': 'Lengua árabe',
+    'lenguas': 'Lenguas', 'religion': 'Religiones', 'religiones': 'Religiones', 'magia': 'Magia',
+    'burocracia': 'Burocracia', 'poligamia': 'Poligamia', 'economia': 'Economía',
+    'gastronomia': 'Gastronomía', 'comidaegipcia': 'Comida egipcia', 'robotica': 'Robótica',
+    'tecnologia': 'Tecnología', 'agricultura': 'Agricultura', 'curiosidades': 'Curiosidades',
+}
+PINNED = ['Cultura granaína', 'Entrevistas']   # siempre presentes
+MAX_TOPICS = 12
+
+
+def norm(tag):
+    t = unicodedata.normalize('NFKD', tag.lower())
+    return ''.join(c for c in t if not unicodedata.combining(c))
+
+
+def topics(vids):
+    count, raw = Counter(), {}
+    for v in vids:
+        seen = set()
+        for tag in re.findall(r'#(\w+)', v['desc']):
+            k = norm(tag)
+            if k in STOP or k in seen:
+                continue
+            seen.add(k)
+            label = LABELS.get(k) or (tag[0].upper() + tag[1:])
+            raw[label] = label
+            count[label] += 1
+    ranked = [t for t, _ in sorted(count.items(), key=lambda kv: (-kv[1], kv[0]))]
+    out = [t for t in ranked if t not in PINNED][:max(MAX_TOPICS - len(PINNED), 0)]
+    return out + PINNED
+
+
+chips = ''.join(f'<li>{html.escape(t)}</li>' for t in topics(videos))
+
 esc = html.escape
 featured, rest = videos[0], videos[1:]   # el feed viene del más nuevo al más antiguo
 
@@ -157,9 +200,7 @@ page = f'''<!doctype html>
   <section id="programa" class="about wrap reveal">
     <h2>De qué va</h2>
     <p>Un programa de noche, con tertulia y sin prisa. Cada semana entra gente distinta, con su oficio y su manía, y se habla de lo que sale: de cómo se educa a un adolescente, de la vida en las calles de El Cairo, de si el árabe es tan antiguo como dicen, de qué tienen en común las religiones o de cómo se hace un truco de cartas.</p>
-    <ul class="chips" aria-label="Temas">
-      <li>Educación</li><li>Egipto</li><li>Lengua árabe</li><li>Religiones</li><li>Magia</li><li>Cultura granaína</li><li>Entrevistas</li>
-    </ul>
+    <ul class="chips" aria-label="Temas">{chips}</ul>
   </section>
 
   <section id="seguir" class="follow wrap reveal">