EN
Copied
Modules

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 :

  1. 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.
  2. 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 dans site_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.
  3. Choisir. Parmi les sites qui ne sont pas des annuaires, site_web reçoit 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.