app.py

import gradio as gr
import requests
import pandas as pd
import re
import csv
import datetime
from rapidfuzz import process, fuzz
import requests
from difflib import get_close_matches
from fuzzywuzzy import process

bens_df = pd.read_excel('bens_tab.xlsx')

data_crawler = pd.read_csv('data_crawler.csv', index_col=False)
data_crawler = data_crawler[['Title', 'Price', 'Currency', 'Condition', 'Link', 'Marketplace']]

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']
                df['Marketplace'] = "Mercado Livre"
                return df
    return pd.DataFrame()

def refinar_resultados(df):
    df['Title'] = df['Title'].astype(str)
    df_refinado = df[~df['Title'].str.contains("kit", case=False, na=False)]
    padrao_unidades = r'\b(\d+)\s*(unidade|unidades|pacote|pacotes|caixa|caixas)\b'
    df_refinado = df_refinado[~df_refinado['Title'].str.contains(padrao_unidades, case=False, regex=True, na=False)]
    return df_refinado

def get_best_match(query, choices, limit=15):
    matches = process.extract(query, choices, scorer=fuzz.WRatio, limit=limit)
    return [match[0] for match in matches if match[1] > 30]
    
def filtrar_itens_similares(df, termo_pesquisa, limit=15):
    titulos = df['Title'].tolist()
    # Use RapidFuzz for improved performance and fuzzy matching
    titulos_similares = get_best_match(termo_pesquisa, titulos, limit=limit)
    df_filtrado = df[df['Title'].isin(titulos_similares)]
    return df_filtrado

def calcular_fator_avaliacao(titulo, EC, PU):
    # Buscar VU e VR baseado no título
    filtered_df = bens_df[bens_df['TITULO'] == titulo]
    if filtered_df.empty:
        raise ValueError(f"Nenhum bem encontrado com o título: {titulo}")

    bem_info = filtered_df.iloc[0]
    VU = bem_info['VIDA_UTIL']
    VR = bem_info['VALOR_RESIDUAL']
    
    pontuacoes = {'Excelente': 10, 'Bom': 8, 'Regular': 5, 'Péssimo': 2}
    ec_pontuacao = pontuacoes[EC]

    PU = float(PU)
    PVU = 10 - ((PU - 1) * (10 / VU))
    PVU = min(PVU, 10)
    
    PUB = 10 - (((VU - PU) - 1) * (10 / VU))
    PUB = min(PUB, 10)
    
    fator_avaliacao = max((4 * ec_pontuacao + 6 * PVU - 3 * PUB) / 100, VR)
    return fator_avaliacao

def select_nearest_items(df):
    mode_prices = df['Price'].mode()
    if len(mode_prices) > 0:
        target_price = mode_prices.min()  # Choose the smallest mode if multiple
    else:
        target_price = df['Price'].median()  # Fallback to median if no mode
    
    df['Distance'] = (df['Price'] - target_price).abs()
    df_sorted = df.sort_values('Distance')

    included_marketplaces = set()
    nearest_items = []
    for _, row in df_sorted.iterrows():
        if row['Marketplace'] not in included_marketplaces:
            nearest_items.append(row)
            included_marketplaces.add(row['Marketplace'])
        if len(included_marketplaces) >= 5:
            break

    return pd.DataFrame(nearest_items)
    
def search_with_fallback(query, df, limit=15):
    # Split the query into parts
    query_parts = query.split()

    # Start with the most specific search (full query)
    specificities = [
        " ".join(query_parts[i:]) for i in range(len(query_parts))
    ]

    for specificity in specificities:
        df_filtrado = filtrar_itens_similares(df, specificity, limit=limit)
        if not df_filtrado.empty:
            # If we find results at this level of specificity, return them
            return df_filtrado

    # If no results are found at any level of specificity, return an empty DataFrame
    return pd.DataFrame()
    
def integrated_app(query, titulo, EC, PU):
    df_mercadolibre = fetch_data_to_dataframe(query, 50, "mercadolibre")
    df_combined = pd.concat([df_mercadolibre, data_crawler], ignore_index=True)

    if df_combined.empty:
        return "Nenhum dado encontrado. Tente uma consulta diferente.", pd.DataFrame()

    df_refined = refinar_resultados(df_combined)
    # Use the new search_with_fallback function
    df_similares = search_with_fallback(query, df_refined)

    if df_similares.empty:
        return "Nenhum item similar encontrado.", pd.DataFrame()
    else:
        df_nearest = select_nearest_items(df_similares)
        mean_price = df_nearest['Price'].mean()
        fator_avaliacao = calcular_fator_avaliacao(titulo, EC, PU)
        valor_avaliacao = mean_price * fator_avaliacao
        return f"Valor Médio do Bem: R$ {mean_price:.2f}, Fator de Avaliação: {fator_avaliacao*100:.2f}%, Valor de Avaliação: R$ {valor_avaliacao:.2f}", df_nearest

titulos = bens_df['TITULO'].unique().tolist()

iface = gr.Interface(fn=integrated_app,
                     inputs=[gr.Textbox(label="Digite sua consulta"),
                             gr.Dropdown(label="Classificação Contábil do Bem", choices=titulos, value="MOBILIÁRIO EM GERAL"),
                             gr.Radio(label="Estado de Conservação do Bem", choices=['Excelente', 'Bom', 'Regular', 'Péssimo'], value="Excelente"),
                             gr.Number(label="Período utilizado (anos)", value=1)
                     ],
                     outputs=[gr.Textbox(label="Cálculo"), gr.Dataframe(label="Resultados da Pesquisa")],
                     theme=gr.themes.Monochrome(),
                     title = "<span style='color: gray; font-size: 48px;'>Avaliação de Bens Móveis</span>",
                     description=f"""
                     <p style="text-align: left;"><b><span style='color: gray; font-size: 40px;'>aval</span><span style='color: black; font-size: 40px;'>ia</span><span style='color: gray; font-size: 40px;'>.se</b></p>
                     """)

iface.launch()