Este repositorio contiene las páginas HTML del registro de visitas. El objetivo es parsear todos los campos a un archivo JSON (de preferencia JSONLINES) para ser incorporados en http://manolo.rocks

Problemas:

• Si bien el parse puede ser sencillo ya que cada registro está en filas de tablas HTML, el problema es la falta de consistencia entre la mayoría de páginas.
• Un set de reglas para parsear ciertas páginas no necesariamente servirán para parsear otras.
• Los patrones del registro se mantienen constantes en fechas cercanas entre sí. Pero pueden ser radicalmente diferentes en ciertas páginas para un mismo año, o un mismo mes.
• Para asegurarse que todos los registros son parseados con un mínimo margen de error será necesario avanzar de a pocos hasta terminar de parsear todas las hojas HTML.

La idea es que se generen un archivo JSON con estos mismos campos:

{
    "time_start": "12:51",
    "office": "DGAAE - DESPACHO",
    "title": "Especialista I",
    "meeting_place": "",
    "id_document": "DNI",
    "id_number": "235868",
    "entity": "PARTICULAR",
    "reason": "REUNI\u00c3\u201cN DE TRABAJO",
    "host_name": "REGENTE OCMIN, EDWIN EDUARDO",
    "full_name": "SOTO FUENTES, NELSON",
    "date": "2014-07-08",
    "time_end": "16:32",
    "institution": "minem",
    "location": ""
}