Une IA ne vaut que par la donnée qu'on lui donne. Et la donnée, la plupart du temps, elle est dehors : sur des sites, dans des PDF, dans un catalogue concurrent, dans une app mobile. Voici les 10 outils open source qui vont la chercher — expliqués simplement, avec ce que chacun fait vraiment, quand l'utiliser, et les pièges que personne ne mentionne.
Note de méthode. Tous les chiffres ci-dessous (popularité, licence, activité) ont été vérifiés directement sur GitHub le 8 août 2026. Les compteurs bougent — l'ordre de grandeur, lui, reste valable longtemps.
1Firecrawl — une URL, de la donnée propre
163 000 ★ · TypeScript · licence AGPL-3.0 · très actif
Ce que ça fait. Tu lui donnes l'adresse d'un site, il le parcourt tout seul, affiche les pages comme le ferait un navigateur, et ressort du texte structuré directement digérable par une IA. Pas de HTML en vrac, pas de menus ni de bandeaux cookies : le contenu utile.
Quand l'utiliser. Tu veux nourrir un assistant IA avec la documentation d'un client, un site produit, une base de connaissances publique. C'est le chemin le plus court entre « ce site existe » et « mon IA sait le lire ».
2Crawl4AI — la version à installer chez toi
77 300 ★ · Python · licence Apache-2.0 · très actif
Ce que ça fait. Même promesse que le précédent — une page web devient du texte propre — mais pensé pour tourner sur ta machine ou ton serveur. Pas de compte, pas de clé d'accès, pas de facturation à la page.
Quand l'utiliser. Deux cas très concrets : la donnée est sensible et ne doit pas transiter par un service tiers, ou le volume est tel qu'un service payant à la page devient absurde. C'est le réflexe « je maîtrise ma chaîne de bout en bout ».
3MarkItDown — tes fichiers deviennent lisibles par l'IA
172 400 ★ · Python · licence MIT · signé Microsoft
Ce que ça fait. Ce n'est pas un outil de collecte web, c'est un traducteur de formats : PDF, Word, Excel, PowerPoint, images, pages web… tout ressort en texte simple et structuré que n'importe quelle IA lit sans effort.
Quand l'utiliser. C'est le chaînon manquant de 90 % des projets d'IA en entreprise. Avant de rêver d'un assistant qui répond sur « nos dix ans de documents », il faut que ces documents soient lisibles. C'est exactement ce que fait cet outil — et il est gratuit.
4Scrapy — l'industriel qui tourne depuis 15 ans
63 700 ★ · Python · licence BSD-3 · toujours maintenu
Ce que ça fait. Le vétéran. Un cadre de travail complet pour collecter de très gros volumes de pages de façon organisée, avec des sorties de données propres et prévisibles.
Quand l'utiliser. Quand le projet passe du bricolage au sérieux : plusieurs dizaines de milliers de pages, une collecte qui doit tourner tous les jours, un résultat que quelqu'un va exploiter en aval. Rien de neuf, rien de sexy — juste éprouvé.
5Crawlee — la boîte à outils qui gère les emmerdes
25 300 ★ · TypeScript · licence Apache-2.0 · très actif
Ce que ça fait. Collecter, tout le monde sait faire une fois. Le problème arrive au bout de quelques heures : le site te bloque, la connexion tombe, tu ne sais plus quelles pages ont été traitées. Cet outil gère exactement ça — les reprises après erreur, la rotation des adresses de connexion, la file d'attente des pages à traiter.
Quand l'utiliser. Dès que la collecte doit tourner en continu sans qu'un humain la surveille. C'est ce qui sépare une démo qui marche d'un service qui tient.
6Browser Use — l'IA qui clique à ta place
108 300 ★ · Python · licence MIT · très actif
Ce que ça fait. Changement de logique complet. Ici, on ne programme pas « va chercher tel élément à tel endroit » : on donne une consigne en français à une IA, et elle pilote un navigateur comme le ferait un humain — elle clique, elle fait défiler, elle remplit des formulaires, elle navigue dans un espace connecté.
Quand l'utiliser. Quand il n'y a pas d'autre porte d'entrée : un vieil outil métier sans connexion possible, un extranet fournisseur, un back-office où il faut récupérer un export chaque lundi matin.
7Scrapling — celui qui survit aux mises à jour du site
73 100 ★ · Python · licence BSD-3 · très actif
Ce que ça fait. Le cauchemar classique de toute collecte : le site cible refait son design, et tout casse du jour au lendemain. Cet outil sait retrouver l'information même quand la page a bougé, et se fait discret face aux protections anti-robots.
Quand l'utiliser. Sur les collectes qui doivent durer des mois sans maintenance. C'est moins un gain à la mise en place qu'un gain sur la facture d'entretien — et c'est souvent là que se joue la rentabilité d'un projet.
8AutoScraper — tu montres un exemple, il comprend
7 800 ★ · Python · licence MIT · maintenance légère
Ce que ça fait. Le plus simple des dix. Tu lui montres une page et deux ou trois valeurs que tu veux récupérer (un prix, un titre), il devine tout seul le motif et applique la même logique au reste du site.
Quand l'utiliser. Pour valider une idée en une heure : « est-ce qu'on peut vraiment récupérer les tarifs de ces 40 concurrents ? » Tu réponds oui ou non le jour même, avant d'engager le moindre budget.
9curl-impersonate — passer pour un vrai navigateur
Version d'origine : 6 800 ★ — mais sans mise à jour depuis juillet 2024
Ce que ça fait. Beaucoup de sites reconnaissent un programme automatisé à sa « signature » technique, avant même de regarder son contenu. Cet outil imite fidèlement la signature d'un vrai navigateur pour ne pas être écarté d'office.
Ouvrir le fork maintenu (lexiforest) →
Voir le repo d'origine (archivé de fait) →
10scrcpy — quand la donnée n'existe que dans une app
147 200 ★ · licence Apache-2.0 · signé Genymobile
Ce que ça fait. Ce n'est pas un outil de collecte : il affiche et pilote l'écran d'un téléphone Android depuis un ordinateur. Mais c'est souvent la seule porte d'entrée quand un service n'existe qu'en application mobile, sans version web.
Quand l'utiliser. Cas rare mais réel : un outil métier disponible uniquement sur mobile, dont il faut extraire des données ou automatiser une tâche répétitive. Utile aussi, tout simplement, pour filmer une démo produit propre depuis un téléphone.
Le tableau de choix
Une seule question à te poser : d'où vient ma donnée, et est-ce que ça doit tourner tous les jours ? Le reste en découle.
| Outil | À quoi ça sert | Licence | Pour démarrer |
|---|---|---|---|
| MarkItDown | Fichiers (PDF, Word…) → texte pour l'IA | MIT | ★ Oui |
| Firecrawl | Un site entier → données propres | AGPL-3.0 | ★ Oui |
| Crawl4AI | Idem, hébergé chez toi | Apache-2.0 | Oui |
| Scrapy | Collecte massive et régulière | BSD-3 | Plus tard |
| Crawlee | Fiabilité : reprises, files, blocages | Apache-2.0 | Plus tard |
| Browser Use | L'IA pilote un navigateur | MIT | Cas bloqués |
| Scrapling | Résiste aux refontes de site | BSD-3 | Plus tard |
| AutoScraper | Tester une idée en une heure | MIT | Test seulement |
| curl-impersonate | Ne pas être bloqué d'office | MIT | Cas bloqués |
| scrcpy | Données enfermées dans une app mobile | Apache-2.0 | Cas rares |
Le sujet que les listes d'outils évitent : le droit
Un outil gratuit ne rend pas une collecte légale. Ce n'est pas un détail de juriste : c'est ce qui décide si tu peux facturer le projet à un client sérieux, ou pas.
Par où commencer, concrètement
Trois étapes, dans cet ordre, sans en sauter une :
- Semaine 1 — tes propres fichiers. MarkItDown sur tes documents internes. Zéro risque juridique, résultat immédiat, et c'est déjà la matière première de ton premier assistant IA.
- Semaine 2 — une seule source externe. Firecrawl ou Crawl4AI sur un site public utile (documentation, catalogue, base réglementaire). Une source, pas dix.
- Ensuite seulement — l'industrialisation. Scrapy, Crawlee, Scrapling arrivent quand la collecte doit tourner seule tous les jours. Pas avant : tu paierais de la complexité que tu n'utilises pas encore.
Ce que tu pilotes vs ce qui se délègue
Tu n'as pas à savoir installer ces outils. Tu as à savoir quelles décisions restent les tiennes — parce que ce sont elles qui coûtent cher quand elles sont mal prises.
