Web scraping (collecte automatique) : est-ce légal pour une entreprise ?
Le web scraping, ou moissonnage, consiste à faire lire des pages web par un programme pour en tirer des données. Il n’est pas interdit en soi : la CNIL écrit qu’il n’est « pas en soi incompatible » avec le RGPD. Il devient risqué quand il touche des personnes sans précautions, qu’il reprend le contenu d’une base protégée ou qu’il ignore les refus du site, et la CNIL a sanctionné en 2024 une entreprise qui aspirait des coordonnées sur LinkedIn. Avant d’écrire un robot, cherchez l’API ou le fichier officiel.
Relever chaque semaine les prix de vingt concurrents, récupérer le catalogue d’un fournisseur qui n’envoie rien, constituer une liste de prospects, nourrir un assistant IA avec des pages publiques : sous le même mot, ces projets n’ont ni le même risque ni le même cadre. La question de départ n’a rien de technique : elle porte sur ce que contiennent les pages, et sur ce que vous comptez en faire.
Trois sortes de données, trois niveaux de risque
Un robot de collecte fait ce que ferait un visiteur très patient : il ouvre des pages, repère les informations utiles et les range dans un tableau ou une base. Ce qui change tout, c’est la nature de ce qu’il ramasse.
- Des données publiques qui ne désignent personne : prix affichés, caractéristiques de produits, horaires, disponibilités. Le RGPD ne s’applique pas ; restent les droits du site sur ses contenus et ses conditions d’utilisation.
- Des données personnelles, même publiques : noms, adresses électroniques, numéros de téléphone, profils, avis signés, photos de personnes. Le RGPD s’applique dès la collecte, et c’est le terrain où la CNIL a déjà sanctionné.
- Des contenus et des bases protégés : textes, photos, fiches rédigées, et la base elle-même quand sa constitution a demandé un investissement important. Les reprendre pour les republier pose une question de droit d’auteur ou de droit du producteur de la base.
Un même projet mélange souvent les trois. Un relevé de prix d’hôtels ramasse aussi des avis signés de clients ; un annuaire professionnel contient des noms de dirigeants. Le tri se fait champ par champ, avant d’écrire la moindre ligne de code.
Données personnelles : ce que demande la CNIL
La CNIL a publié le 19 juin 2025 une fiche sur la collecte par moissonnage. Elle est écrite pour le développement de systèmes d’IA, mais ses mesures valent d’être appliquées à tout robot qui ramasse des données personnelles. La pratique n’y est pas jugée incompatible en soi avec le RGPD, à condition de prendre des mesures que la CNIL présente comme nécessaires :
- Décider avant de collecter : des critères précis, fixés en amont, de ce qui sera ramassé et où.
- Ne pas tout prendre : exclure par des filtres certaines catégories de données, ou des catégories entières de sites quand les filtres ne suffisent pas.
- Supprimer vite ce qui n’est pas pertinent, et les données sensibles de façon immédiate et automatisée, autant que possible.
- Respecter les refus : écarter les sites qui s’opposent clairement au moissonnage par leur fichier robots.txt ou par un CAPTCHA. Pour la CNIL, passer outre fait sortir le traitement des attentes raisonnables des personnes.
Elle recommande en plus d’écarter les sites qui interdisent la collecte dans leurs conditions d’utilisation, de s’en tenir aux contenus visibles sans compte, d’éviter les sites particulièrement intrusifs comme les forums de santé, de tenir à jour la liste des sites moissonnés, de permettre aux personnes de s’opposer avant la collecte et de pseudonymiser dès la collecte.
Si le but est la prospection, une autre règle s’ajoute. Entre professionnels, la CNIL n’exige pas d’accord préalable pour le courriel commercial, à trois conditions : la personne est informée dès la collecte de ses coordonnées, elle peut s’opposer simplement et gratuitement, et le message est en rapport avec sa profession. Les adresses génériques, comme contact@, échappent à ces principes. Une liste aspirée sans que les personnes en soient informées échoue dès la première condition.
Un cas est interdit tout court, depuis le 2 février 2025 : constituer ou enrichir une base de reconnaissance faciale en moissonnant sans ciblage des images de visages sur internet ou dans des vidéos de surveillance. C’est l’article 5 du règlement européen sur l’IA.
Les autres cadres : la base, les conditions du site, le robots.txt
Une donnée qui ne désigne personne n’est pas libre pour autant. Depuis une directive européenne de 1996, une base de données peut être protégée de deux façons : par le droit d’auteur quand le choix ou la disposition de son contenu est original, et par un droit propre à son producteur quand l’obtention, la vérification ou la présentation des données a demandé un investissement substantiel. Les deux peuvent se cumuler. Un catalogue de milliers de références saisies et contrôlées une à une peut relever du second.
Les conditions d’utilisation s’y ajoutent, et la CNIL relève qu’elles peuvent interdire le moissonnage en s’appuyant sur ces droits. Celles de LinkedIn, en vigueur depuis le 3 novembre 2025, interdisent ainsi à leur section 8.2 d’utiliser des logiciels, des scripts ou des robots pour copier le service, profils et autres données compris. La portée exacte de ces clauses est une question de juriste ; je les lis avant de proposer quoi que ce soit.
Le fichier robots.txt
Placé à la racine d’un site, le fichier robots.txt dit aux robots ce qu’ils peuvent parcourir. Son format est décrit par la RFC 9309, publiée en septembre 2022, qui précise que ces règles ne constituent pas une autorisation d’accès : ce n’est pas un verrou, et un robot peut techniquement l’ignorer. C’est justement pour cela que le respecter compte. Un robot qui passe outre agit contre la volonté affichée du site, et la CNIL en fait un critère des attentes raisonnables des personnes.
Avant le robot : l’API, le fichier ou la demande
Le robot le plus simple à maintenir est celui qu’on n’écrit pas. Trois pistes, dans cet ordre :
- Une API officielle. Beaucoup de services publient une interface prévue pour être interrogée par un programme. Pour les entreprises françaises, l’API Recherche d’entreprises, publiée par la DINUM avec l’Insee et l’INPI, est ouverte d’accès, dans la limite de sept appels par seconde. Copier un annuaire privé pour obtenir le nom, le SIREN et l’activité d’une société n’a donc pas de sens.
- Un fichier ou un flux. Un fournisseur sans API peut avoir un export, un fichier de catalogue ou un flux destiné à ses revendeurs. Il suffit parfois de le demander.
- Un accord écrit. Avec un partenaire, écrire ce que vous récupérez, à quel rythme et pour quoi faire règle d’un coup la question de ses conditions d’utilisation.
Une API a un autre avantage, moins visible : elle est faite pour être lue par un programme, une page web non. Une mise en page modifiée sans prévenir suffit à casser le robot qui la lisait, et personne ne vous préviendra.
Quand la collecte se justifie : comment je la construis
Je n’ai pas encore livré de robot de collecte à un client. J’ai en revanche travaillé, dans un poste précédent chez Opsealog, sur un projet ETL et une migration de données : extraire, transformer, charger, et vérifier que rien ne se perd en route. Un robot de collecte est la même chaîne, avec une source qui ne vous a rien promis. Les règles que j’y applique :
- Le robots.txt lu et respecté, et relu au moins une fois par jour : la RFC demande de ne pas se fier plus de 24 heures à une copie en cache.
- Un robot qui se présente, avec un nom et une adresse de contact, et qui avance au rythme d’un lecteur plutôt que d’une rafale.
- Les seuls champs décidés au départ, et aucune donnée personnelle qui ne serve la finalité écrite.
- Aucun contournement : pas de connexion avec un compte, pas de CAPTCHA résolu par un service, pas de changement d’adresse IP pour échapper à une limite.
- Un journal de chaque passage : date, page, ce qui a été lu, ce qui a échoué. Le jour où le site change, c’est lui qui dit à partir de quand les données sont fausses.
- Une alerte quand la page change, car un robot qui ne trouve plus ses repères ne s’arrête pas toujours : il peut ramasser du vide, ou le mauvais champ.
L’IA a sa place à un endroit précis : lire une page dont la structure varie et en tirer des champs, là où des règles fixes casseraient. Je la traite comme toute fonction d’IA : des contrôles exacts sur ce qu’elle rend, une personne pour ce qui ne passe pas. Avec une précaution propre aux pages venues de l’extérieur : elles peuvent contenir des instructions cachées, écrites pour détourner un modèle. Celui qui lit ces pages n’a donc le droit que de lire.
Qu’une page soit publique ne dit pas ce qu’on a le droit d’en faire. C’est la question à poser avant d’écrire le robot.
Souvent, d’ailleurs, ce n’est pas la peine. Pour suivre une trentaine de prix par semaine, une personne et un tableur suffisent, et un outil de veille du marché peut faire le reste. Le développement se justifie quand le volume, la fréquence ou le besoin de croiser les données avec votre propre outil rendent le travail à la main intenable. Il relève alors d’une application web métier ou d’une intégration d’IA, sur devis. Décrivez-moi les données visées et l’usage prévu : sous 48 heures, je vous dis comment les obtenir, ou pourquoi mieux vaut ne pas les collecter.
Questions fréquentes
Le web scraping est-il légal en France ?
Il n’est pas interdit en soi. Il doit respecter le RGPD dès qu’il touche des données personnelles, le droit d’auteur et le droit du producteur sur les contenus et les bases, et les conditions d’utilisation du site. La CNIL demande notamment d’écarter les sites qui s’opposent au moissonnage par leur fichier robots.txt ou par un CAPTCHA, et de ne collecter que ce qui a été défini à l’avance.
Peut-on scraper LinkedIn pour trouver des prospects ?
C’est un cas à haut risque. Les conditions d’utilisation de LinkedIn interdisent les robots qui copient les profils, et la CNIL a infligé en décembre 2024 une amende de 240 000 euros à KASPR, qui fournissait les coordonnées de membres, y compris de ceux qui avaient restreint leur visibilité. Pour prospecter, partez de contacts informés et de sources autorisées.
Le fichier robots.txt a-t-il une valeur juridique ?
Ce n’est pas une loi, et la RFC 9309 qui le décrit précise que ses règles ne valent pas autorisation d’accès. Mais la CNIL considère qu’un moissonnage qui ignore une opposition exprimée par robots.txt ou par un CAPTCHA sort des attentes raisonnables des personnes dont les données sont collectées. En pratique, un robot sérieux le lit et le respecte.
Peut-on relever les prix d’un concurrent ?
Des prix affichés ne sont pas des données personnelles : le RGPD ne s’applique pas. Restent les conditions d’utilisation du site et les droits que son éditeur peut détenir sur sa base. Relever quelques prix pour votre veille n’est pas la même opération que reproduire tout son catalogue : si votre projet ressemble au second, faites-le relire par un juriste avant de l’engager.
Combien coûte un robot de collecte sur mesure ?
Sur devis : le prix dépend du nombre de sites, de leur structure et de la fréquence des passages. Le coût qui surprend vient après la livraison, car chaque changement de mise en page d’un site source peut casser le robot et demander une reprise. Une API officielle ou un export du fournisseur, quand ils existent, sont plus simples à exploiter dans la durée.
Développeuse indépendante à Angers. Huit ans de projets pour l’hôpital, les services de secours, l’aéronautique et l’assurance (CNP, Sodifrance), et trois applications publiées sur l’App Store et Google Play : VetSafe, Equio et Ellyo.