Extraction
- Sites web publics, dans le respect de leurs conditions et sans les surcharger
- PDF, factures et documents numérisés grâce à l’OCR
- Excel, CSV et exports d’autres logiciels
- API officielles et portails de données ouvertes, lorsqu’ils existent
Service Nexura Digital
Extraction et nettoyage de données pour travailler avec des informations fiables
Nous collectons des données à partir de sites web publics, de documents et de tableurs, nous les nettoyons et nous les livrons dans un format stable, selon un processus reproductible.
Nous extrayons des données de sites web publics, de PDF, de fichiers Excel et d’autres sources, nous les normalisons, supprimons les doublons et les livrons prêtes pour votre CRM, votre boutique ou votre analyse. Il s’adresse aux entreprises disposant de listes, de catalogues ou de dossiers désordonnés, qui souhaitent que le travail soit réalisé légalement et documenté. Vous pouvez commencer par un essai de 7 jours portant sur un jeu de données précis.
Ce que nous faisons de vos données
Nettoyage et normalisation
- Dates, numéros de téléphone et pays dans des formats standard tels qu’ISO 8601 ou E.164
- Doublons détectés même lorsqu’ils sont écrits différemment
- Champs découpés et unités unifiées
- Enregistrements douteux signalés pour vérification, et non supprimés
Chargement et répétition
Nous livrons dans un tableur, un fichier CSV ou directement dans votre base de données ou votre CRM. Si la source continue d’évoluer, nous laissons en place un flux de travail n8n ou un script programmé.
Dans le cadre de la légalité : les limites que nous respectons
Il s’agit d’une assistance technique, et non d’un conseil juridique : si un projet soulève des questions juridiques, votre avocat doit l’évaluer avant que nous ne commencions.
Conditions d’utilisation et robots.txt
Nous lisons les conditions d’utilisation de chaque site ainsi que son robots.txt, la norme (RFC 9309) qu’un site utilise pour indiquer ce qu’il ne souhaite pas voir explorer. Nous ne contournons pas les connexions, les paywalls ni les CAPTCHA, et nous limitons le nombre de requêtes.
Données personnelles et RGPD
Public ne signifie pas utilisable à n’importe quelle fin : le RGPD protège aussi les données personnelles publiées. Nous ne collectons que les champs nécessaires et ne constituons jamais de listes destinées à des messages commerciaux non sollicités.
Comment se déroule le travail
Cinq étapes
- Nous définissons à quoi vous utiliserez les données et quels champs vous sont nécessaires
- Nous examinons les sources, les conditions et, s’il existe des données personnelles, leur conformité au RGPD
- Nous testons l’extraction sur un échantillon et en mesurons la qualité
- Nous convenons avec vous des règles de nettoyage et de déduplication
- Nous traitons l’ensemble des données et livrons le résultat avec un rapport de qualité
Projets adaptés et projets non adaptés
Cas adaptés
Catalogues de fournisseurs en PDF à intégrer dans votre boutique, bases de clients pleines de doublons avant une migration de CRM, prix publics sur un marché que vous souhaitez suivre, ou données ouvertes pour une étude.
Cas non adaptés
Collecter des adresses e-mail ou des numéros de téléphone pour des campagnes à froid, recopier un contenu protégé pour le republier, ou extraire des données de sites qui l’interdisent expressément. Ce n’est pas non plus le bon service si vous avez besoin d’un avis juridique : cela relève d’un avocat.
Ce que comprend chaque livraison
Données et documentation
- Un jeu de données propre dans le format convenu
- Un dictionnaire des données avec chaque champ, son origine et son format
- Un rapport de qualité : enregistrements traités, doublons fusionnés et cas douteux
- Un script ou un flux de travail n8n documenté pour répéter le processus
- Un journal des sources et la date de chaque extraction
Si le processus se répète
Le flux de travail s’exécute sur un serveur que vous payez, n8n Cloud ou votre propre VPS, dont le coût est inclus dans le devis, et il reste à votre nom.
Essai de 7 jours avec un jeu de données réel
De l’échantillon au résultat
Une option réaliste consiste à nettoyer et dédupliquer votre base de clients ou un catalogue, ou à automatiser l’extraction à partir d’une source publique précise. Nous partons d’un échantillon, convenons des règles et livrons le résultat avec son rapport de qualité. Avant de toucher au moindre enregistrement, nous convenons par écrit du périmètre, des dates et des conditions.
FAQ
Questions fréquentes
Est-il légal d’extraire des données d’un site web public ?
Cela dépend des données, du site et de l’usage prévu. Les conditions d’utilisation du site, les droits sur son contenu et, si des données personnelles sont concernées, le RGPD entrent tous en jeu. Nous appliquons des critères techniques prudents et signalons les risques que nous identifions, mais nous ne donnons pas de conseil juridique : dans les cas douteux, tranchez avec votre avocat.
Que se passe-t-il si le site change de design ?
Les extractions depuis un site web cessent de fonctionner lorsque la structure des pages change. C’est pourquoi nous privilégions les API officielles ou les téléchargements lorsqu’ils existent, ajoutons des contrôles qui vous alertent si des données arrivent vides ou dans des formats inhabituels, et documentons la manière d’ajuster le processus. Si vous en avez besoin, la maintenance fait l’objet d’un accord séparé.
Pouvez-vous extraire des données de PDF numérisés ?
Oui, avec l’OCR, et pour les documents complexes nous le combinons avec des modèles d’IA qui extraient des champs précis, comme des montants, des dates ou des références. La qualité dépend de la numérisation : nous validons donc sur un échantillon, signalons les champs à faible confiance et vérifions les totaux lorsque le document les contient.
Comment détectez-vous les doublons ?
Nous combinons des règles exactes, comme le même numéro d’identification fiscale ou la même adresse e-mail, avec une correspondance approximative sur les noms et les adresses qui tient compte des abréviations, des accents et des fautes de frappe. Les cas clairs sont fusionnés automatiquement et les cas douteux vont sur une liste que votre équipe tranche. Notre démonstration d’automatisation des demandes illustre l’idée : il s’agit d’une simulation dans le navigateur, et non d’un flux de travail réel.
Contact
Quelles données vous prennent le plus de temps aujourd’hui ?
Envoyez-nous un échantillon ou décrivez la source et son usage. Nous vous dirons si c’est faisable, avec quelles limites, et à quoi ressemblerait l’essai de 7 jours.