Update app.py

app.py

@@ -2,6 +2,7 @@ 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
 
@@ -28,85 +29,59 @@ model = genai.GenerativeModel(model_name="gemini-pro",
                               generation_config=generation_config,
                               safety_settings=safety_settings)
 
-def gemini(query):
+def interpretar_e_refinar_busca(query):
     prompt_parts = [
-        f"input: \"Procurar e selecionar {query} em df['Title'] que, numa análise sintática, sejam as mais próximas possíveis\"",
+        f"input: \"Corrigir e refinar a busca: '{query}' para uma consulta mais precisa.\"",
         "output: ",
         f"input: {query}",
         "output: ",
     ]
 
     response = model.generate_content(prompt_parts)
-    return response.text
-    
-def extract_refined_query(gemini_output):
-    """
-    Parses the Gemini model's output to extract a refined query for Mercado Livre.
-    
-    Args:
-    - gemini_output (str): The output text from the Gemini model.
-    
-    Returns:
-    - str: A refined query term extracted from the Gemini output.
-    """
-    # Placeholder for parsing logic. This should be replaced with actual parsing
-    # based on the structure of the Gemini model's output.
-    # For demonstration, let's assume the model's output is a descriptive text
-    # that includes keywords or phrases that can be used for a more focused search.
-    
-    # Example parsing logic (simple and needs to be adapted):
-    # Assuming the output might contain phrases like "focus on [keyword] for best results"
-    # This is a very basic example and should be replaced with actual parsing logic.
-    refined_query = "default query"  # Fallback query if parsing fails or finds no specific keywords
-    
-    # Example: Search for a phrase indicating a refined query within the model's output
-    if "focus on" in gemini_output:
-        start_index = gemini_output.find("focus on") + len("focus on ")
-        end_index = gemini_output.find(" for best results", start_index)
-        refined_query = gemini_output[start_index:end_index] if end_index != -1 else gemini_output[start_index:start_index+20]  # Extract the keyword or use a substring as a fallback
-    
+    refined_query = response.text.strip() 
     return refined_query
-
-def fetch_data_to_dataframe(query, limit=50, source="mercadolibre", token=None):
+    
+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)
-        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']
-        else:
-            df = pd.DataFrame()
-    else:
-        df = pd.DataFrame()
-    if not df.empty:
-        pass
+        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()
 
-    return df
+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):
-    gemini_output = gemini(query)  
-    refined_query = extract_refined_query(gemini_output)
-    df = fetch_data_to_dataframe(refined_query, 50, source="mercadolibre")
+    # 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 "No data found", pd.DataFrame()
-    else:
-        # Process the fetched data
-        median_price = df['Price'].median()
-        
-        # Return the processed data
-        return median_price, df
+        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
 
 
-# Define the updated Gradio interface
 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 combina a interpretação de prompts via modelo Gemini com a busca de dados no Mercado Livre para oferecer uma análise de preços e características 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.")
 
-# Launch the interface
 iface.launch()