import gradio as gr
import pandas as pd
from SBERT_Multilingue import buscar_marcas_similares as modelo_sbert
from BETO import buscar_marcas_similares as modelo_beto

def buscar_marcas(marca_input, umbral=80.0):
    resultados = []
    for modelo_func, nombre_modelo in [
        (modelo_beto, "BETO"),
        (modelo_sbert, "SBERT")
    ]:
        try:
            salida = modelo_func(marca_input)
            for i, (marca, similitud) in enumerate(salida, start=1):
                if similitud >= umbral:
                    resultados.append({
                        "Marca": marca.strip().lower(),
                        "Similitud (%)": round(similitud, 2),
                        "Modelo": nombre_modelo
                    })
        except Exception as e:
            print(f"Error en {nombre_modelo}: {e}")

    if not resultados:
        return []

    df = pd.DataFrame(resultados)
    df = df.sort_values("Similitud (%)", ascending=False)
    df = df.drop_duplicates(subset="Marca", keep="first")
    df["Marca"] = df["Marca"].str.title()
    df = df.reset_index(drop=True)
    df.index += 1
    df.index.name = "Índice"

    return df.reset_index().to_dict(orient="records")

iface = gr.Interface(
    fn=buscar_marcas,
    inputs=[
        gr.Textbox(label="Marca a evaluar"),
        gr.Slider(0, 100, value=80, label="Umbral mínimo de similitud (%)")
    ],
    outputs="json",
    examples=[["coca cola", 80], ["nike", 75]]
)

iface.launch()