Revert "Borrado de archivos extra"

This reverts commit 06feae543a.

lib/data_processing.py

@@ -0,0 +1,53 @@
+from bs4 import BeautifulSoup
+
+def process_html(html_doc):
+    """
+    Procesa el HTML de la página y extrae la información relevante
+    como materias, estados del servicio social, etc.
+    """
+    soup = BeautifulSoup(html_doc, 'lxml')
+    table = soup.find('table', attrs={'id': 'ctl00_contenedor_HistorialAlumno1_gvMaterias'})
+    
+    actualmente_cursadas = soup.find('table', attrs={'id': 'ctl00_contenedor_HistorialAlumno1_gvMatOrdinario'})
+    
+    if table is None:
+        raise Exception("Tabla no encontrada en la página")
+    elif actualmente_cursadas is None:
+        raise Exception("Tabla de materias actualmente cursadas no encontrada en la página")
+
+    materias_sgu = []
+    headers = [header.text for header in table.find_all('th')]
+
+    for row in table.find_all('tr'):
+        cols = row.find_all('td')
+        if cols and not any(col.text == "Promedio:" for col in cols):
+            materias_sgu.append({ headers[i]: col.text for i, col in enumerate(cols) if not is_cell_empty(col.text) })
+    materias_actualmente_cursadas = []
+    headers = [header.text for header in actualmente_cursadas.find_all('th')]
+    for row in actualmente_cursadas.find_all('tr'):
+        cols = row.find_all('td')
+        if cols and not any(col.text == "No hay Datos" for col in cols):
+            materias_actualmente_cursadas.append({ headers[i]: col.text for i, col in enumerate(cols) if not is_cell_empty(col.text) })
+        
+    periodo_actual = soup.find('span', attrs={'id': 'ctl00_contenedor_HistorialAlumno1_Header1_lblPeriodo'})
+    grupo_actual = soup.find('span', attrs={'id': 'ctl00_contenedor_HistorialAlumno1_Header1_lblgru'})
+    
+    return clean_materias_sgu(materias_sgu), clean_materias_sgu(materias_actualmente_cursadas), f"'{periodo_actual.text}'", f"'{grupo_actual.text}'"
+
+def is_cell_empty(cell_content):
+    """
+    Verifica si el contenido de una celda está vacío o contiene solo espacios.
+    """
+    return not cell_content.strip() or cell_content == u'\xa0'
+
+def clean_materias_sgu(materias_sgu):
+    """
+    Limpia y ajusta las materias obtenidas del SGU para su procesamiento posterior.
+    """
+    for materia in materias_sgu:
+        if '\xa0' in materia:
+            materia['SEMESTRE'] = materia.pop('\xa0')
+    return materias_sgu
+
+# Puedes agregar más funciones según sea necesario para procesar otros aspectos del HTML
+