Registre SIRENE

Module source qui extrait des entreprises françaises du registre officiel SIRENE (INSEE) hébergé en local, ciblées par activité et par zone géographique. France uniquement.

Objet

Module source : un point de départ alternatif à scrap qui lit les entreprises directement dans le registre officiel français des entreprises (INSEE, base SIRENE), au lieu de Google Maps. Chaque fiche vient d'une source administrative publique, pas d'un scan en direct : aucun navigateur, aucun proxy, aucune requête réseau ne quitte le serveur, puisque le registre est répliqué en local et actualisé chaque jour depuis le flux INSEE.

À utiliser quand la demande est « des entreprises de ce secteur », « des entreprises avec ce code NAF », « des entreprises récemment créées », ou toute liste qui ne doit pas passer par Google Maps.

Entrées

Corps de requête (métier, un seul département) :

{
  "activites": ["plombier"],
  "zones": ["31"]
}

Corps de requête (code NAF direct, plusieurs activités, sièges uniquement, région) :

{
  "activites": ["43.22A", "boulangerie"],
  "zones": ["Bretagne"],
  "etablissements": "sieges",
  "cree_apres": "2024-01-01",
  "stop_at": 20000
}

Si "France" est présent en même temps que d'autres zones, elle l'emporte : le job cherche sur tout le pays et les autres zones deviennent redondantes (une ligne de journal le signale, rien n'échoue). Une région n'est pas gardée comme un seul filtre : elle est éclatée en une recherche par département qu'elle contient, journalisée individuellement, pour rendre la progression visible département par département.

Sorties

Fichier résultat : CSV UTF-8, séparateur point-virgule, BOM (compatible Excel). Même structure de ligne standard que les autres modules source, plus les colonnes propres à SIRENE ajoutées en fin de ligne.

Ni téléphone, ni email, ni site web : par nature, pas par échec de collecte. SIRENE est un registre légal, pas un annuaire de contact. Chaînez legal_data après sirene pour obtenir dirigeants et données financières : la correspondance se fait sur le SIRET exact déjà présent sur chaque ligne, sans approximation de nom.

Doublons

Une entreprise est dédoublonnée sur le SIRET au sein du job : si une région éclate en plusieurs recherches par département, ou qu'un établissement serait sinon compté deux fois, il n'est écrit qu'une seule fois.

Cycle de vie

Cycle de vie standard, voir Jobs & cycle de vie. Aucun accès réseau, aucun proxy, aucun navigateur : sirene lit une base SQLite locale uniquement, il tourne donc dans le pool parallèle plutôt que dans la file multi-proxy partagée, et peut s'exécuter en même temps qu'un scrap ou tout autre job multi-proxy au lieu d'attendre derrière lui. La progression est rapportée toutes les 500 lignes écrites. Le CSV de sortie est écrit même quand le job se termine sans aucun résultat, pour inspection.

Pipeline

Le chaînage en aval dépend des colonnes, pas seulement des catégories de compatibilité. L'éditeur de pipeline connectera sans problème sirene à n'importe quel node acceptant pois_any, mais tout enrichissement à l'exception de legal_data requiert une colonne que sirene ne remplit jamais (site_web, lien_google_maps, telephone ou email), et se retrouve avec zéro ligne exploitable à l'exécution plutôt qu'une erreur détectée à la conception.

• legal_data : le module conçu pour ce chaînage. Il a besoin de nom (présent) et fait correspondre par SIRET quand disponible, pour un résultat exact : dirigeants, capital, données financières, signaux BODACC.
• filter / sort : toujours compatibles, travaillent directement sur les colonnes SIRENE (naf, tranche_effectif, date_creation, code_postal, etc).
• emails, socials, legal_ids, legal_mentions, techstack, ads_intelligence, brand_assets, dead_check, pricing, pagespeed (besoin de site_web) et reviews (besoin de lien_google_maps) : sans intérêt directement après sirene. Lancez legal_data ou une étape de découverte de site web avant, si un site est nécessaire.

Endpoints

sirene est une racine de pipeline, au même titre que scrap et import (voir Orchestration pipeline). Le contrat complet, champ par champ, avec config_schema et les valeurs par défaut, est servi en direct sur GET /api/pipelines/schema sous nodes.sirene.

Payload du node pipeline :

{
  "type": "sirene",
  "config": {
    "activites": ["plombier"],
    "zones": ["31"],
    "etablissements": "tous",
    "cree_apres": "",
    "effectif_min": "",
    "stop_at": 5000
  }
}

Câblez-le dans un graphe et soumettez via l'API Pipelines (POST /api/pipelines).

Lancement direct, hors pipeline

Le module a sa propre route de création, pour l'extraire seul sans construire de graphe :

POST /api/jobs/sirene

{
  "activites": ["plombier"],
  "zones": ["31"],
  "etablissements": "tous",
  "cree_apres": "",
  "effectif_min": "",
  "stop_at": 5000
}

Ce sont exactement les champs de config du node pipeline, et exactement le corps attendu par POST /api/sirene/estimate : le même objet sert à estimer le volume puis à lancer l'extraction, sans transformation. Réponse : l'objet job standard. activites et zones sont obligatoires, tout le reste est facultatif.

Deux routes de préparation accompagnent le module :

GET  /api/sirene/activites?q=<texte>   recherche d'un code NAF par métier
POST /api/sirene/estimate              volume attendu avant lancement

Une fois le job créé, la récupération est standard, quel que soit le mode de création :

GET /api/jobs/{job_id}
GET /api/jobs/{job_id}/download?format=csv|json|xlsx

Limites

Quotas globaux : voir /docs/fr/concepts/limits. Spécifiques au module :

Erreurs

Et ensuite

• legal_data : la suite logique, dirigeants nommés, capital, données financières et statut de piste, en correspondance exacte par SIRET.
• filter : restreignez par naf, tranche_effectif, date_creation, ou code_postal avant de payer l'enrichissement en aval.
• scrap : l'alternative Google Maps, quand les coordonnées de contact (téléphone, site) comptent plus que la précision du registre officiel.