Alimenter un site d''actualité automatisé suppose de récupérer du contenu chez d''autres éditeurs. Trois techniques coexistent, et la plupart des plateformes les combinent. La question n''est pas « laquelle est la meilleure », mais « laquelle convient à quelle source, à quel coût, dans quel cadre légal ».
RSS : la voie royale, quand elle existe
Le RSS est un format inventé en 1999 et toujours en service. C''est le mode d''accès le plus propre : structuré, daté, identifié, gratuit. Quand un site expose un flux RSS complet (titre, excerpt, contenu intégral, métadonnées), il suffit de le lire, de stocker un identifiant, et de comparer aux articles déjà ingérés.
Le problème : beaucoup de flux RSS ne contiennent que des excerpts. Le contenu intégral est sur le site, et l''excerpt ne suffit pas pour la réécriture. Il faut alors compléter par un appel HTTP sur l''URL canonique. La plupart des sites tolèrent ce comportement ; certains, comme Le Monde, l''interdisent dans leur CGU. Lisez les conditions avant d''industrialiser (rappel CNIL).
Une bonne plateforme d''automatisation fait la lecture RSS toutes les heures, respecte le If-Modified-Since, et garde un identifiant stable pour la déduplication (détails sur la sélection des sources).
Scraping HTML : utile, fragile, encadré
Quand le RSS n''existe pas, le scraping prend le relais. Une requête HTTP, un parser HTML, et l''extraction de zones identifiées par sélecteurs CSS ou XPath. C''est techniquement simple, mais opérationnellement fragile : chaque refonte du site cible casse le scraper. Une plateforme sérieuse maintient des sélecteurs versionnés et alerte en cas de divergence.
Le cadre légal est plus délicat. Le scraping massif est encadré par l''article L122-5 du Code de la propriété intellectuelle : l''exception de fouille de textes et de données autorise la collecte automatisée à des fins éditoriales si elle ne contourne pas une mesure technique de protection. Concrètement, respectez robots.txt, identifiez votre user-agent, et limitez le débit. Le scraping clandestin d''un site qui l''interdit explicitement vous expose à un contentieux (précédent Ryanair vs PR Aviation).
API : la voie idéale, rarement disponible
Quand l''éditeur expose une API officielle, c''est la voie à choisir. Documentée, stable, contractuellement claire. C''est le cas du New York Times, du Guardian, de l''AP, et de quelques agences spécialisées. La contrepartie est le coût : ces API sont souvent payantes au volume, et leur usage est limité par contrat.
Pour les sources gouvernementales françaises, les API de l''INSEE, de data.gouv.fr ou de l''INA sont gratuites mais ne couvrent que des données structurées (statistiques, archives), pas le flux d''actualité quotidien.
Combiner les trois
Une plateforme moderne combine les trois automatiquement. Le delapresse pipeline essaie d''abord le RSS de l''URL fournie, puis tente une URL /feed/ standard, puis scrape la sitemap, et n''ouvre le scraping HTML pleine page qu''en dernier recours. Chaque méthode est instrumentée : taux d''échec, latence, taille payload, nombre d''articles uniques détectés par 24h.
Le choix par source se fait à l''onboarding (détails sur le choix des sources). Les agences à fort débit passent en mode RSS+API. Les sites de niche à mise à jour faible passent en scraping bimédien. Les administrations passent en API pure.
Coût comparé
Sur un site qui ingère cinq cents articles candidats par jour, le coût d''infrastructure se ventile ainsi : RSS, environ 5 centimes par jour ; scraping HTTP, autour de 20 centimes ; API premium, 1 à 5 euros selon le contrat. Le coût humain de maintenance est inverse : RSS quasi nul, scraping quelques heures par mois, API zéro après intégration.
En pratique
Démarrez avec du RSS pur. Ajoutez du scraping quand une source critique ne l''expose pas. Achetez une API seulement si une agence devient centrale pour votre ligne. Lisez ensuite le guide d''automatisation complet.