Pourquoi ce fonds est difficile à reconstituer

Le corpus n'est pas la copie d'un site, mais 108 intégrations conquises une à une, chacune avec ses propres pièges, surmontés l'un après l'autre :

• Des portails qui tronquent à 2 000 résultats par requête — résolu par un découpage jour × catégorie ; découvert seulement après que le corpus naïf eut silencieusement perdu 60 % des enregistrements.
• Des portails qui bloquent les adresses IP de centres de données — contournés via une connexion résidentielle.
• Pagination liée à la session, encodages ISO-8859-1, interfaces dont le tri ment, flux qui republient à chaque changement de statut.
• Des archives remontant à 2002 — dont une partie n'est plus servie par les sources elles-mêmes. Cet historique ne peut plus être acquis une seconde fois, à aucun prix.

Reconstituer ce fonds n'est pas qu'une question de budget : ce sont 18 mois de découvertes successives — chaque portail ne révèle ses pièges qu'en conditions réelles.

Comment tout cela tourne

Toute la chaîne — collecte, normalisation, traduction, vérification et publication — fonctionne de manière autonome : plus de 50 services planifiés avec journalisation des erreurs, des modèles de lecture qui se reconstruisent chaque nuit, une rédaction de signaux écrite par la machine et contre-vérifiée par la machine, et un flux public en direct sur son propre fonctionnement. Coût d'infrastructure : moins de 100 € par mois, tout compris. Coût marginal du pays suivant : une intégration, pas une équipe.

De la structure, pas seulement du stockage

Acheteurs normalisés sur 24,4 M avis ; attributions reliées à des entreprises immatriculées (NIF, SIREN, CUI, EIK, Y-tunnus…) ; nomenclature CPV homogène de bout en bout ; critères de sélection structurés là où la source les fournit ; traduction des titres comme couche à part entière ; cycles d'activité par acheteur, prêts pour la prévision.