Client Reviews Analysis

Aplicação em Python + Streamlit para analisar avaliações de aplicativos, identificar idioma, traduzir para português, classificar sentimento e gerar uma síntese geral das reviews.

Funcionalidades

• Upload de arquivo .txt com reviews no formato ID$Usuario$Texto
• Identificação do idioma da review
• Tradução da review para português
• Classificação de sentimento: Positiva, Negativa ou Neutra
• Síntese geral das avaliações com sentimento predominante
• Gráficos de pizza por sentimento e por idioma
• Filtro por sentimento e por idioma
• Fallback local automático quando o provedor online falha ou a cota é atingida

Estrutura do projeto

• app.py: interface Streamlit
• llm_review_client.py: integração com LLM e fallback local
• review_analysis_pipeline.py: pipeline de leitura e agregação das reviews
• app_reviews.txt: arquivo de exemplo
• requirements.txt: dependências

Requisitos

• Python 3.12+
• Ambiente virtual recomendado

Instalação

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Configuração

Crie ou ajuste o arquivo .env.

Exemplo usando Groq:

GROQ_API_KEY=sua_chave_groq
GROQ_BASE_URL=https://api.groq.com/openai/v1
GROQ_MODEL=llama-3.1-8b-instant
DEMO_MODE=false
DEMO_MODE_FALLBACK=true

Significado das variáveis

• GROQ_API_KEY: chave da API do Groq
• GROQ_BASE_URL: endpoint OpenAI-compatible do Groq
• GROQ_MODEL: modelo usado na análise
• DEMO_MODE=true: força o uso do fallback local
• DEMO_MODE_FALLBACK=true: usa fallback local quando o provedor online falha

Como executar

Interface web

Use o Streamlit:

source .venv/bin/activate
python -m streamlit run app.py

Importante: não execute python app.py. O arquivo deve ser iniciado com streamlit run.

Pipeline no terminal

source .venv/bin/activate
python review_analysis_pipeline.py

Formato do arquivo de entrada

Cada linha do arquivo deve seguir este formato:

879485937$Pedro Silva$This is a positive review for the app
74398793$John Myers$Je n'aime pas cette application

Como o sistema funciona

Modo online

Quando DEMO_MODE=false e o provedor está configurado corretamente, o sistema usa o LLM online para:

• detectar idioma
• traduzir para português
• classificar sentimento
• gerar síntese geral

Fallback local

Quando o provedor online falha, a aplicação cai automaticamente para o modo local se DEMO_MODE_FALLBACK=true.

Nesse modo:

• a aplicação continua funcionando
• a tradução pode não ser ideal
• a classificação de sentimento pode ser menos precisa
• a interface mostra um aviso quando houve fallback

Aviso sobre cota

Se a cota do provedor online for atingida, a aplicação mostra um aviso na interface informando que parte dos resultados pode não refletir o resultado ideal.

Deploy

Streamlit Community Cloud

1. Suba o repositório para o GitHub
2. Conecte o repositório no Streamlit Cloud
3. Defina app.py como arquivo principal
4. Adicione as variáveis de ambiente em Secrets

Exemplo de secrets:

GROQ_API_KEY = "sua_chave_groq"
GROQ_BASE_URL = "https://api.groq.com/openai/v1"
GROQ_MODEL = "llama-3.1-8b-instant"
DEMO_MODE = "false"
DEMO_MODE_FALLBACK = "true"

Observações

• O arquivo .env está no .gitignore e não deve ser commitado
• Se quiser uma demo estável sem depender de API, use DEMO_MODE=true
• Para melhor qualidade de tradução e sentimento, use um provedor online com cota disponível