Collecte de données publiques

• Le besoin écrit : quelles entreprises, quels champs, à quelle fréquence, pour quel usage.
• L'usage décidé : une étude interne, ou de la prospection, qui ajoute les règles de la CNIL.
• Python 3, ou un outil d'automatisation qui sait appeler une API.
• Une clé pour les API qui en demandent : l'API Sirene, par un compte gratuit sur le portail de l'Insee ; le registre de l'INPI, par un compte.

Collecter

1. Choisir la source la personne qui collecte

   Ce qu'on obtient : la source officielle qui répond au besoin, d'après le tableau ci-dessus.

   Le conseil : une API ouverte avant toute collecte sur un site.

2. Lire la licence et les conditions la personne qui collecte

   Ce qu'on obtient : la Licence Ouverte 2.0 pour la plupart ; des exceptions : VIES interdit l'extraction, l'API Entreprise est réservée aux administrations.

   Le conseil : citer la source et la date de mise à jour, seule condition de la Licence Ouverte.

3. Collecter en respectant la limite le programme

   Ce qu'on obtient : les champs utiles, à un rythme sous la limite de la source.

   Le conseil : la réponse 429 de l'API : attendre le délai indiqué avant de reprendre.

Une seule requête, sans clé, sur l'Insee lui-même : un organisme public. La limite de l'API est de 7 requêtes par seconde par adresse.

import json, time, urllib.request

API = "https://recherche-entreprises.api.gouv.fr/search?q={}&page=1&per_page=1"
CHAMPS = ["siren", "nom_complet", "etat_administratif", "activite_principale", "date_mise_a_jour"]

def chercher(siren):
    with urllib.request.urlopen(API.format(siren), timeout=30) as reponse:
        resultats = json.load(reponse)["results"]
    return {c: resultats[0].get(c) for c in CHAMPS} if resultats else None

for siren in ["120027016"]:          # l'Insee lui-même, un organisme public
    print(json.dumps(chercher(siren), ensure_ascii=False, indent=1))
    time.sleep(0.2)                  # 5 requêtes par seconde au plus : la limite est de 7

{ "siren": "120027016", "nom_complet": "INSTITUT NATIONAL DE LA STATISTIQUE ET DES ETUDES ECONOMIQUES (INSEE)", "etat_administratif": "A", "activite_principale": "84.11Z", "date_mise_a_jour": "2026-10-08T09:08:48"}

Essayé le 9 octobre 2026 avec Python 3.12.7, sans bibliothèque à installer.

Tenir à jour

4. Garder le relevé daté le programme

   Ce qu'on obtient : chaque passage enregistré avec sa date, sans écraser le précédent.

   Le conseil : la date de mise à jour de la source, à côté de la vôtre.

5. Comparer avec le relevé d'avant le programme

   Ce qu'on obtient : les entreprises nouvelles, fermées, et les champs changés.

   Le conseil : l'INPI publie un point d'accès qui ne donne que les changements.

6. Respecter les personnes la personne responsable

   Ce qu'on obtient : les dirigeants sont des personnes : les informer si on les démarche, dans un délai d'un mois au plus, et noter leur opposition.

   Le conseil : l'article 14 du RGPD, et la prospection par courriel selon la CNIL.

Deux relevés fabriqués de quatre entreprises fictives, à un mois d'écart :

import json

avant, apres = json.load(open("avant.json")), json.load(open("apres.json"))
for siren in sorted(avant.keys() | apres.keys()):
    a, b = avant.get(siren), apres.get(siren)
    if a is None:
        print(siren, "nouvelle entreprise :", b["nom"])
    elif b is None:
        print(siren, "absente du nouveau relevé :", a["nom"])
    else:
        changes = [f"{champ} : {a[champ]} → {b[champ]}" for champ in a if a[champ] != b[champ]]
        if changes:
            print(siren, a["nom"], "·", " ; ".join(changes))
print("état : A = active, C = cessée")

002583169 Imprimerie du Port · dirigeant : J. Lemoine → S. Kerjean006513477 Transports Lemaire · etat : A → C007391642 Menuiserie Valcourt · commune : Nantes → Saint-Herblainétat : A = active, C = cessée

Essayé le 9 octobre 2026 avec Python 3.12.7, sans bibliothèque à installer.

Collecte sur un site

Avant de collecter sur un site, lire son fichier robots.txt : la CNIL demande d'exclure les sites qui s'y opposent. Le fichier ci-dessous est fabriqué ; le module est celui de Python.

from urllib.robotparser import RobotFileParser

ROBOTS = """User-agent: *
Disallow: /annuaire/
Allow: /actualites/
"""
regles = RobotFileParser()
regles.parse(ROBOTS.splitlines())
for page in ["https://example.com/actualites/2026", "https://example.com/annuaire/dirigeants"]:
    print(page, "→", "autorisée" if regles.can_fetch("MonRobot", page) else "refusée : ne pas collecter")

https://example.com/actualites/2026 → autoriséehttps://example.com/annuaire/dirigeants → refusée : ne pas collecter

Essayé le 9 octobre 2026 avec Python 3.12.7, sans bibliothèque à installer.

• La source et sa licence sont notées pour chaque champ
• Le programme reste sous la limite de requêtes de chaque source
• Chaque relevé est daté et gardé
• Les changements entre deux relevés sont listés
• Aucun site qui s'y oppose n'est moissonnérobots.txt, CAPTCHA, conditions d'utilisation
• Si les données servent à démarcher, les personnes sont informées et peuvent s'opposer

• Arrêter la collecte : couper le programme ; les relevés datés restent.
• Effacer les données d'une personne qui s'oppose : la retirer de la base et noter son opposition, pour ne pas la recollecter au passage suivant.
• Revenir à un relevé précédent : c'est l'intérêt de garder chaque passage daté.