En clair
Le scraping (en français « extraction de données ») consiste à faire parcourir des pages web par un programme pour en récupérer le contenu : textes, noms, photos, prix, adresses… Personne ne copie rien à la main. La machine collecte ces informations en grande quantité et en peu de temps puis les range dans un fichier ou une base de données.
Le principe est simple. Un site web envoie à votre navigateur une page faite de code. Un programme de scraping envoie la même demande. Au lieu d'afficher la page il en extrait ce qui l'intéresse. Puis il recommence sur des milliers de pages.
Pourquoi c'est important
Beaucoup de données sont publiques. Les collecter en masse change pourtant l'échelle. Ce qui demandait des semaines de travail humain prend quelques heures. Croisées entre elles ces informations permettent de reconstituer des profils détaillés de personnes ou d'organisations.
Le scraping pose donc des questions qui dépassent la technique. La provenance des données, le but de leur collecte et les conséquences de leur publication comptent autant que la méthode. Le cadre juridique varie selon les pays et les usages. Les conditions d'utilisation des sites encadrent souvent la pratique.
Dans la pratique
On s'en sert pour surveiller les prix d'un concurrent, alimenter un moteur de recherche, constituer un jeu de données pour entraîner un modèle ou suivre les changements d'un site. Les outils vont du petit script au logiciel spécialisé.
Le Guardian a rapporté un usage problématique. Un compte est accusé d'avoir rassemblé automatiquement des données publiques, issues entre autres de LinkedIn, pour dresser des listes nominatives de personnes à cibler. L'opération (collecter, croiser, publier) ne demandait pas de moyens techniques avancés.
Les sites se défendent en limitant le nombre de requêtes, en détectant les comportements automatisés ou en exigeant une connexion. Ces protections compliquent le scraping sans toujours l'empêcher.
À ne pas confondre avec
Le scraping n'est pas du piratage. Il ne force aucun accès et lit ce qui est déjà accessible. Il se distingue aussi de l'indexation des moteurs de recherche. Elle suit des règles que les sites déclarent. Enfin le scraping n'est pas réservé à l'IA. Il produit des données que l'IA peut ensuite exploiter mais les deux restent distincts.