Le web scraping consiste à extraire automatiquement des informations de pages web. Lorsque ces informations concernent des personnes, leur collecte et leur réutilisation doivent être examinées au regard du RGPD : finalité, base légale, information, droits et conservation. Il faut aussi vérifier les conditions d’accès et les droits sur les contenus. Une page accessible publiquement ne suffit pas à autoriser tous les usages. Voici les vérifications à préparer avant de lancer une collecte.
Commencer par le besoin et les alternatives
Décrivez le résultat attendu : suivre des informations autorisées, comparer un petit ensemble d’offres ou exploiter un jeu de données sous licence. Listez les champs nécessaires et la fréquence utile. Évitez de collecter tout un site pour décider ensuite à quoi les données serviront.
Cherchez d’abord un export, un flux, une API officielle ou un jeu ouvert assorti d’une licence. L’accès par API simplifie parfois la collecte, mais ne dispense pas de vérifier droits, conditions, quotas et finalités. Un fichier ouvert peut contenir des données personnelles ou des restrictions de réutilisation. L’outil ne décide pas de la licéité du projet.
Identifier les personnes et les droits concernés
Une adresse professionnelle nominative, un avis signé ou une information sur un entrepreneur individuel peut concerner une personne physique. Classer une source comme « B2B » ne suffit pas à exclure les données personnelles. La CNIL présente les vérifications attendues des réutilisateurs : qualification, base légale, information, droits, minimisation, exactitude, sécurité et conservation.
La licence, les droits sur les contenus et les bases, les conditions du service et les règles d’accès doivent aussi être examinés. Une donnée visible n’est pas automatiquement libre de droits. Ne présentez ni consentement ni intérêt légitime comme une solution universelle ; l’analyse dépend des données, de la finalité et des personnes concernées.
Ne pas transformer une collecte en fichier de prospection automatique
La publication CNIL sur la réutilisation de données en ligne insiste notamment sur les attentes raisonnables des personnes et le contexte de la source lorsqu’une prospection est envisagée sans consentement préalable. Ce point ne vaut pas autorisation d’envoyer une campagne après extraction.
Les règles de prospection électronique distinguent particuliers et professionnels, avec information, consentement ou opposition selon le cas. Collecte, constitution du fichier et envoi sont trois opérations à cadrer. Respectez les oppositions et faites examiner les cas incertains avant de lancer une collecte ou une sollicitation.
Respecter les restrictions sans chercher à les contourner
Consultez les conditions de la source et les règles destinées aux robots. La RFC 9309 précise que robots.txt n’est pas une autorisation d’accès. L’absence d’interdiction dans ce fichier ne prouve donc pas un droit de réutilisation.
Dans le protocole de travail proposé ici, une restriction d’accès, un CAPTCHA, un refus explicite ou une limite de requêtes appelle un arrêt et une clarification. Ne changez pas d’identité, de compte ou de proxy pour contourner un blocage. Un outil capable de franchir une protection ne rend pas cette action autorisée. Si un accès manque, demandez une solution permise ou abandonnez cette source.
Concevoir une collecte limitée et contrôlable
Préparez une liste de sources et de champs autorisés, des limites de volume, un délai maximal et des reprises bornées. Adaptez la cadence aux conditions de la source ; il n’existe pas de fréquence universelle qui rendrait la collecte acceptable. Un code d’erreur ou une page vide ne doit pas provoquer une boucle sans fin.
Sur un essai limité, comparez l’extraction aux pages d’origine. Vérifiez dates, devise, variantes et disponibilité : un prix lu hors contexte peut être trompeur. Une donnée absente doit rester absente, pas devenir zéro ou être complétée par une supposition. Un changement de structure doit être détecté avant de diffuser un rapport erroné.
Conserver la provenance et préparer la suppression
Pour chaque observation, gardez source, moment de collecte, méthode et limites nécessaires à son contrôle. Séparez faits extraits, corrections et interprétations. La réutilisation pour une analyse concurrentielle doit conserver cette distinction et ne pas reproduire les textes d’un concurrent comme contenu original.
Définissez qui accède aux données, leur durée de conservation et la manière de traiter une opposition ou une suppression. Ne conservez pas par défaut des copies intégrales contenant des informations inutiles. Les exports et journaux doivent respecter les mêmes limites que la base principale. Pseudonymiser une donnée n’est pas nécessairement l’anonymiser.
Vérifier l’usage de l’IA et la réception du projet
Une IA peut aider à classer ou structurer des données autorisées ; elle peut aussi produire une information inexacte. Comparez ses sorties à la source, traitez les données manquantes explicitement et vérifiez les conditions du fournisseur avant de lui transmettre un contenu. Utiliser un modèle déjà entraîné ne rend pas automatiquement la transmission et la réutilisation licites.
La réception porte sur le périmètre permis, l’exactitude des champs, la traçabilité, les limites de charge et les procédures d’arrêt et de suppression. Elle ne constitue pas une certification juridique. Les projets sensibles ou incertains nécessitent l’avis d’un professionnel compétent ; cet article ne remplace pas cette analyse.
Pour relier des sources autorisées à vos outils, découvrez mon accompagnement en automatisation. Présentez le besoin, les sources envisagées et les droits dont vous disposez pour cadrer le projet. La faisabilité, les accès et les responsabilités doivent être clarifiés avant toute mise en œuvre. Aucune campagne, collecte tierce ou modification de vos documents juridiques n’est déclenchée par ce guide.
