Trouver le site web
Trouver le site web
Retrouve le site officiel d'une entreprise à partir de son nom et de sa ville, sans IA et sans ouvrir aucun site. Un site n'est écrit que s'il ressort nettement pour cette entreprise ; la fiche de l'entreprise chez un annuaire est rangée dans une colonne à part.
À quoi il sert
emails, socials, legal_mentions, techstack et pricing exigent tous une colonne site_web.
Une liste qui n'a que des noms ne peut atteindre aucun d'eux. Ce module est le pont.
Il travaille en trois temps :
- Chercher. Pour chaque entreprise, une seule recherche web sur son nom et sa ville. Aucun site n'est ouvert. Le qualificatif d'établissement que les registres collent derrière la raison sociale est retiré avant la recherche : « NALDEO - SITE DE TARNOS » devient « NALDEO », sans quoi la requête porte sur un libellé que personne n'écrit nulle part.
- Compter. Une fois toute la liste passée, le bloc compte pour combien d'entreprises différentes
chaque site est ressorti, et par combien de pages différentes. Un site vu pour au moins deux
entreprises par au moins deux pages différentes est un annuaire ou une plateforme (un annuaire a
une page par entreprise) : sa page va dans
page_annuaire, jamais danssite_web. Aucune liste d'annuaires n'est tenue à la main : le comptage s'en charge, dans toutes les langues, et il se cumule d'une liste à l'autre. - Choisir. Parmi les sites qui ne sont pas des annuaires,
site_webreçoit le premier qui remplit l'une de ces deux conditions : c'est le seul site hors annuaire de la ligne et sa page d'accueil figure dans les cinq premiers résultats ; ou il occupe au moins deux résultats, dont le premier ou le deuxième de la page. Sinon la case reste vide.
Tout le trafic passe par le pool de proxies VPN, une sortie par worker.
Entrées
| Champ | Requis | Notes |
|---|---|---|
nom |
oui | Nom de l'entreprise. Alias acceptés (name, raison sociale, entreprise…). |
ville / commune |
non | Ajoutée au nom dans la recherche. |
code_postal |
non | N'entre pas dans la recherche. |
adresse |
non | Utilisée en secours : la commune y est lue quand la colonne ville manque. |
telephone |
non | Sert à reconnaître une même entreprise d'une liste à l'autre et à choisir sa page d'annuaire. |
siren / siret |
non | Même rôle quand la liste n'a pas de téléphone. |
Comme opendata, ce module accepte des lignes sans aucun point de contact : en créer un est
précisément son rôle. Les lignes sans nom exploitable sont conservées telles quelles dans le
fichier de sortie.
Sorties
| Colonne | Type | Description |
|---|---|---|
site_web |
url | Le site officiel, écrit seulement quand la règle ci-dessus le retient. Une valeur déjà présente n'est jamais écrasée. |
page_annuaire |
url | La page de l'entreprise chez un annuaire ou une plateforme, quand la recherche en montre une. |
site_finder_match |
texte | Sur quoi la décision a été prise : site propre, page d'annuaire seule, aucun site retenu, site déjà présent, nom inexploitable ou recherche indisponible. |
Toutes les colonnes d'entrée ressortent intactes (contrat de passthrough des colonnes).
Cycle de vie
POST /api/jobs/site-finder → pending → running → completed.
Les lignes qui ont déjà un site ressortent telles quelles et ne sont jamais recherchées : enchaîner ce module après un module moins cher ne coûte rien sur les lignes déjà remplies.
Les résultats sont écrits à la fin du job, une fois le comptage fait. Une ligne dont la recherche
échoue encore après les réessais est écrite avec site_finder_match = recherche indisponible plutôt
que perdue.
En cas d'annulation, le bloc décide avec ce qu'il a déjà collecté et écrit toutes les lignes.
Chaînage
| entrée | pois_any |
| sortie | pois |
| exige | nom |
| produit | site_web, page_annuaire, site_finder_match |
Ordre recommandé : sirene → opendata → site_finder → emails. Les deux premiers sont gratuits
et instantanés ; celui-ci coûte du temps réseau, il ne doit voir que ce qu'ils n'ont pas pu remplir.
Erreurs
| Cas | Comportement |
|---|---|
| Aucun nom exploitable dans la liste | 400 avec la liste des colonnes lues |
| Moteur de recherche indisponible | La ligne est réessayée sur une autre sortie VPN, puis écrite vide avec une raison explicite |
Et après
La sortie alimente tous les modules qui exigent un site web. emails est la suite habituelle.