cvlac-json

Convierte la página pública del CvLAC de un investigador (Minciencias, Colombia) en un único documento JSON: perfil, formación, experiencia, producción bibliográfica en el esquema de obras de ImpactU, proyectos, eventos, tesis dirigidas y todas las demás secciones.

• Sin dependencias: solo la biblioteca estándar de Python (3.10 o superior).
• Agrega los identificadores ROR de las instituciones de la experiencia y de las tesis.
• Con una clave de apis.colav.co, agrega los identificadores Scienti (COD_RH-COD_PRODUCTO, -COD_PROYECTO, -COD_EVENTO) de las entradas que coinciden.

Instalación

pip install cvlac-json

Uso en la terminal

cvlac-json 0000026549                         # escribe cvlac_0000026549.json
cvlac-json 26549 -o zapata.json               # los ceros a la izquierda se agregan solos
cvlac-json 0000026549 --save-html cv.html     # guarda también la página descargada
cvlac-json 0000026549 --html cv.html          # analiza una página guardada, sin descargar
cvlac-json 0000026549 -o -                    # JSON por la salida estándar
cvlac-json 0000026549 --scienti off --ror off # solo la página pública, sin otras APIs

Mientras trabaja, el comando muestra en la terminal una barra de progreso con la etapa actual (descarga, análisis, cada consulta a Scienti, ROR) y el tiempo transcurrido:

⠼ ████████░░░░░░░░░░░░░░░░░░░░░░  27% 4/11 Scienti products 1:12

La consulta de productos de Scienti puede tardar varios minutos en un CV grande: el indicador que gira y el reloj muestran que el programa sigue trabajando. La barra va por la salida de error y solo aparece cuando esta es una terminal, así que no se mezcla con el JSON (-o -) ni con las redirecciones a archivos.

La clave de apis.colav.co se toma, en este orden, de --apikey, de la variable de entorno COLAV_APIKEY o del archivo ~/.config/colav/apikey. Nunca se imprime. Para no dejarla en el historial de la terminal, use --apikey "$(cat archivo)".

Uso como biblioteca

from cvlac_json import extract

data = extract("0000026549", scienti="off")  # descarga y analiza la página
print(data["profile"]["Nombre"], len(data["works"]))

html = open("cv.html", encoding="latin-1").read()
data = extract("0000026549", html=html, ror=False)

# progreso propio: progress(etapa, hechas=None, total=None)
data = extract("0000026549", progress=lambda etapa, hechas=None, total=None: print(etapa))  # página guardada

Esquema del JSON

El esquema completo, campo por campo, está en docs/cvlac_json_esquema.md y en versión navegable en docs/cvlac_json_esquema.html.

Desarrollo

git clone https://github.com/restrepo/cvlac-json.git
cd cvlac-json
python -m pip install -e ".[dev]"
python -m pytest
ruff check . && ruff format --check .

Las pruebas no usan la red: corren sobre una página sintética (tests/fixtures/cvlac_sintetico.html) con una persona ficticia y la misma estructura HTML del CvLAC.

Cómo publicar una versión nueva en PyPI: PUBLISHING.md.

Avisos

• La página del CvLAC es pública, pero contiene datos personales (nombre, nacionalidad, sexo). Úselos de acuerdo con la normativa de protección de datos que aplique.
• Sea moderado con el servidor de Minciencias: haga una pausa de uno o dos segundos entre CV cuando procese muchos.
• Las afiliaciones de las obras son inferidas de la experiencia (dónde trabajaba la persona ese año); el CvLAC no las declara.

Licencia

MIT