PROYECTO EGRESADOS INSTITUTO TECNOLÓGICO METROPOLITANO – ITM

2.3. Construcción de primera versión del instrumento

Actividad. Diseño de herramientas de recolección de información no convencionales.

Luis Felipe Ortiz-Clavijo
Co-Investigador
Universidad Autónoma Latinoamericana -UNAULA-

Descripción de la herramienta de extracción automatizada de perfiles CvLAC

Como parte del proyecto Estudio de Seguimiento a Egresados: Caracterización de los Egresados 2018–2023 del Ciclo Tecnológico del Programa de Ingeniería de Producción del ITM, se diseñó y probó una herramienta automatizada desarrollada en Python para la recolección de información pública desde la plataforma CVLAC (Currículum Vitae en Línea de Minciencias).

Objetivo:

Automatizar la extracción de datos académicos y profesionales de perfiles públicos de egresados que cuenten con registro en la base CVLAC, con el fin de complementar el cuestionario institucional de seguimiento y facilitar el análisis de trayectorias educativas y laborales.

Funcionalidades:

• Ingreso automatizado a perfiles públicos de CVLAC, mediante el uso de solicitudes HTTP y la librería requests.
• Procesamiento del HTML de la página utilizando BeautifulSoup para localizar y extraer:
  • Nombre completo del egresado.
  • Formación académica (títulos, instituciones, años).
  • Experiencia profesional (si está disponible).
• Estandarización de los datos extraídos para posterior análisis o integración con otras fuentes como encuestas institucionales, ORCID o Google Scholar.
• Diseño modular que permite incorporar nuevos perfiles simplemente reemplazando la URL del CVLAC correspondiente.

Tecnologías utilizadas:

• requests – Para simular la navegación web y obtener el contenido HTML.
• beautifulsoup4 – Para el análisis del árbol DOM y la extracción precisa de información.
• fake_useragent – Para simular encabezados de navegador y evitar bloqueos.

Ejemplo de código Python:

import requests
from bs4 import BeautifulSoup

# URL del perfil
url = 'https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000500356'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36'
}

response = requests.get(url, headers=headers)

if response.status_code == 200:
    soup = BeautifulSoup(response.text, 'html.parser')

    # Extraer nombre del investigador
    nombre = soup.find('td', {'class': 'textoAzulOscuro'}).get_text(strip=True) if soup.find('td', {'class': 'textoAzulOscuro'}) else 'No disponible'
    print(f'👤 Nombre del perfil: {nombre}')

    # Extraer secciones clave del perfil
    print('\n🎓 Formación Académica:')
    formacion = soup.find_all('table')[4]
    for fila in formacion.find_all('tr')[1:]:
        celdas = fila.find_all('td')
        if len(celdas) >= 2:
            print(f' - {celdas[0].text.strip()} | {celdas[1].text.strip()}')

    print('\n📚 Producción académica (primer bloque encontrado):')
    producciones = soup.find_all('table')[10]
    for fila in producciones.find_all('tr')[1:4]:  # Muestra solo los primeros 3 resultados
        print(' -', fila.get_text(strip=True))
else:
    print(f'Error al acceder a la URL: {response.status_code}')

Ejemplo de salida:

👤 Nombre del perfil: No disponible

🎓 Formación Académica:
 -  | Cursos de corta duración
                        INSTITUTO TECNOLÓGICO METROPOLITANO DE MEDELLÍN
                        INGENIERIA DE PRODUCCION
                        Septiembrede2013 - Noviembrede 2013
 -  | Cursos de corta duración
                        Ministerio De Educación Nacional - Mineducación
                        INGENIERIA INDUSTRIAL
                        Octubrede2013 - Octubrede 2013
 -  | Cursos de corta duración
                        UNIVERSIDAD DE ANTIOQUIA
                        INGENIERIA INDUSTRIAL
                        Juniode2011 - Enerode 2012
 -  | Extensión
                        INSTITUTO TECNOLÓGICO METROPOLITANO -ITM-
                        ingeniería de producción
                        Juniode2020 - Diciembrede 2020
 -  | Extensión
                        INSTITUTO TECNOLÓGICO METROPOLITANO -ITM-
                        ingeniería de producción
                        Agostode2019 - Septiembrede 2020
 -  | Otros
                        Departamento Administrativo De La Función Pública
                        ingeniería de producción
                        Agostode2019 - Octubrede 2019

📚 Producción académica (primer bloque encontrado):
 - Producción técnica - Cursos de corta duración dictados - Especialización
 - NELCY SUAREZ LANDAZABAL, Fundamentos de Investigación de Mercados, Finalidad: Preparar el estudiante de Gestión Comercial para que elabore una investigación de mercados cuantitativa. En: Colombia, 2010, INSTITUTO TECNOLÓGICO METROPOLITANO DE MEDELLÍN. Participación: Docente, 0 semanas. Áreas: Ingeniería y Tecnología -- Otras Ingenierías y Tecnologías -- Ingeniería Industrial,
 - Producción técnica - Cursos de corta duración dictados - Extensión extracurricular