Extraire des données depuis des sites tiers avec PHP et MySQL est techniquement faisable, mais soulève des questions juridiques et éthiques. La règle de départ : lire les conditions d'utilisation du site et respecter sa politique de confidentialité.
1. Comprendre la structure de la page
- Inspecter le HTML avec les outils de développement du navigateur pour repérer les éléments ciblés.
- Analyser le code source et identifier les motifs récurrents ; en PHP,
file_get_contents()ou cURL permettent de récupérer la page. - Déterminer le format des données : HTML, JSON, XML… Cela conditionne la méthode d'extraction.
2. Choisir la bonne technique d'extraction
- Parsing DOM avec
DOMDocumentouSimple HTML DOM: la méthode la plus robuste pour naviguer dans l'arbre HTML. - Expressions régulières : rapides, mais fragiles ; à réserver aux extractions simples.
- API officielle : si le site en propose une, c'est presque toujours la voie la plus fiable, la plus légère et la plus respectueuse.
3. Stocker les résultats dans MySQL
- Concevoir le schéma en fonction des données et des analyses prévues.
- Insérer avec des requêtes préparées afin d'éliminer tout risque d'injection SQL.
4. Les garde-fous éthiques
- Respecter les CGU et le fichier robots.txt.
- Ne pas collecter de données personnelles sans base légale explicite.
- Limiter le débit des requêtes pour ne pas surcharger le serveur distant.
- Documenter la finalité de la collecte et l'utiliser de manière responsable.
- Faire preuve de transparence auprès des personnes concernées.
Exemple minimal
<?php
require_once 'simple_html_dom.php';
$url = 'https://www.example.com';
$html = file_get_html($url);
$nomsProduits = $html->find('h2.product-title');
$conn = new mysqli('localhost', 'utilisateur', 'motdepasse', 'ma_base');
foreach ($nomsProduits as $produit) {
$sql = "INSERT INTO produits (nom) VALUES (?)";
$stmt = $conn->prepare($sql);
$stmt->bind_param("s", $produit->plaintext);
$stmt->execute();
}
$conn->close();
?>
À garder en tête : cet extrait n'est qu'une illustration à adapter à chaque site. Avant de vous lancer, pesez les risques et les bénéfices, et examinez les sources de données alternatives (API, jeux de données publiés) qui donnent souvent un résultat meilleur et plus durable.