app.py

import gradio as gr
import requests
import pandas as pd
from scipy import stats
from difflib import get_close_matches

import google.generativeai as genai

# Proper configuration with your API key
genai.configure(api_key="AIzaSyCm57IpC9_TTL7U3m8wvje9_3qtfxAASgI")  # Replace YOUR_API_KEY with the actual API key

# Set up the model configuration
generation_config = {
    "temperature": 0.7,
    "top_p": 1,
    "top_k": 1,
    "max_output_tokens": 2048,}

# Safety settings
safety_settings = [
    {"category": "HARM_CATEGORY_HARASSMENT", "threshold": "BLOCK_MEDIUM_AND_ABOVE"},
    {"category": "HARM_CATEGORY_HATE_SPEECH", "threshold": "BLOCK_MEDIUM_AND_ABOVE"},
    {"category": "HARM_CATEGORY_SEXUALLY_EXPLICIT", "threshold": "BLOCK_MEDIUM_AND_ABOVE"},
    {"category": "HARM_CATEGORY_DANGEROUS_CONTENT", "threshold": "BLOCK_MEDIUM_AND_ABOVE"},
]

# Initialize the model
model = genai.GenerativeModel(model_name="gemini-pro",
                              generation_config=generation_config,
                              safety_settings=safety_settings)

def interpretar_e_refinar_busca(query):
    prompt = f"Corrigir e refinar a busca: '{query}' para uma consulta mais precisa."
    response = model.generate_content(prompt)
    refined_query = response.text.strip() 
    return refined_query
    
def fetch_data_to_dataframe(query, limit=50, source="mercadolibre"):
    if source == "mercadolibre":
        BASE_URL = "https://api.mercadolibre.com/sites/MLB/search"
        params = {'q': query, 'limit': limit}
        response = requests.get(BASE_URL, params=params)
        if response.status_code == 200:
            data = response.json()
            if 'results' in data:
                items = data['results']
                df = pd.DataFrame(items)
                df = df[['title', 'price', 'currency_id', 'condition', 'permalink']]
                df.columns = ['Title', 'Price', 'Currency', 'Condition', 'Link']
                return df
    return pd.DataFrame()

def filtrar_itens_similares(df, termo_pesquisa, limite=5):
    titulos = df['Title'].tolist()
    titulos_similares = get_close_matches(termo_pesquisa, titulos, n=limite, cutoff=0.1)
    df_filtrado = df[df['Title'].isin(titulos_similares)]
    return df_filtrado

def integrated_app(query):
    # Primeiro, use o GEMINI para interpretar e possivelmente corrigir/refinar a busca
    refined_query = interpretar_e_refinar_busca(query)
    
    # Depois, busque os dados no Mercado Livre usando a query refinada
    df = fetch_data_to_dataframe(refined_query, 50, "mercadolibre")
    
    if df.empty:
        return "Nenhum dado encontrado. Tente uma consulta diferente.", pd.DataFrame()
    
    # A partir daqui, você pode continuar com a filtragem por similaridade ou outra lógica de pós-processamento
    # Por simplicidade, vamos retornar diretamente os resultados
    median_price = df['Price'].median()
    return f"Preço Mediano: {median_price}", df


iface = gr.Interface(fn=integrated_app,
                     inputs=gr.Textbox(label="Digite sua consulta"),
                     outputs=[gr.Textbox(label="Preço Mediano"), gr.Dataframe(label="Resultados da Pesquisa")],
                     title="Análise Integrada de Bens",
                     description="Esta aplicação busca dados no Mercado Livre e filtra para encontrar itens com nomes similares ao termo de pesquisa, oferecendo uma análise de preços e características desses itens.")

iface.launch()