Il constitue la liste brute. Deux sources publiques, aucune base achetée.
- AL'annuaire d'un organisme de labellisation. Le sitemap est déclaré dans le robots.txt, les fiches portent le nom, le site, le téléphone et l'email publiés par la marque elle-même. 328 marques.
- BLe registre officiel des entreprises françaises. L'API publique de l'État, filtrée sur les codes NAF de la cosmétique. Elle donne le nom, le SIREN, le dirigeant, l'effectif. Elle ne donne pas le site web.
C'est ce dernier point qui demande le plus de travail. Le registre ne connaît pas les domaines, alors le script les dérive de la raison sociale, retire les formes juridiques et les mots vides, teste trois formes en .fr et en .com, vérifie le DNS, puis charge la page.
Pour les emails, même règle : jamais devinés, jamais construits. Seulement ceux réellement publiés. Comme beaucoup de sites utilisent un formulaire plutôt qu'un lien, le script lit aussi les mentions légales, obligatoires en France et qui doivent porter un moyen de contact. Le taux d'emails trouvés est passé de 11 à 61%.