scrap/CDISCOUNT_ANALYSIS.md

Analyse comparative: Amazon vs Cdiscount

URL exemple

• Amazon: https://www.amazon.fr/dp/B0D4DX8PH3
• Cdiscount: https://www.cdiscount.com/informatique/ordinateurs-pc-portables/pc-portable-gamer-asus-tuf-gaming-a16-sans-windo/f-10709-tuf608umrv004.html

Différences majeures

1. Protection anti-bot

Amazon:

• HTTP simple fonctionne généralement
• Quelques captchas occasionnels

Cdiscount:

• ✗ HTTP simple retourne une page de protection JavaScript (Cloudflare/Baleen)
• ✓ Playwright obligatoire pour contourner la protection
• Timeout: ~2-3 secondes pour charger la page

2. Structure HTML

Amazon:

• IDs statiques: #productTitle, #landingImage, #availability
• Classes avec préfixes: .a-price-whole, .a-price-fraction
• Prix divisé en 3 parties (entier + fraction + symbole)
• Beaucoup de métadonnées dans le HTML

Cdiscount:

• ✗ Pas de JSON-LD schema.org (contrairement à ce qu'on pourrait attendre)
• Classes CSS générées dynamiquement: sc-bdvvtL, sc-110rxkl-0, etc.
• data-e2e attributes pour les tests E2E: data-e2e="title"
• Prix affiché directement: "1499,99 €"

3. Sélecteurs identifiés

Titre

h1[data-e2e="title"]

• Classes: sc-bdvvtL sc-1hgfn9o-0 hFUtWx kQxXmq (peuvent changer)
• ✓ Utiliser data-e2e="title" plus stable

Prix

Classe instable:

• div.SecondaryPrice-price contient "1499,99 €"
• Classes: sc-83lijy-0 kwssIa SecondaryPrice-price

Regex sur le texte:

• Pattern: (\d+[,\.]\d+)\s*€
• Plus robuste que les classes

Images

img[alt*="PC Portable"]

• Attribut alt contient le titre du produit
• URL format: https://www.cdiscount.com/pdt2/0/0/4/X/700x700/tuf608umrv004/rw/...
• Plusieurs résolutions disponibles (URL path change)

SKU / Référence

Depuis l'URL:

https://www.cdiscount.com/.../f-10709-tuf608umrv004.html
                                      ^^^^^^^^^^^^^^^
                                      category-SKU

• Pattern regex: /f-(\d+)-([a-z0-9]+)\.html
• SKU = deuxième groupe (ex: tuf608umrv004)

Catégorie

• ✗ Pas de breadcrumb visible dans le HTML analysé
• Peut être dans l'URL: /informatique/ordinateurs-pc-portables/...
• À extraire depuis le path URL

Stock / Disponibilité

• ✗ Pas d'élément clair trouvé avec "availability" ou "stock"
• Peut nécessiter analyse plus poussée ou être dans un script JS

4. Stratégie d'extraction

Ordre de priorité:

1. Titre: h1[data-e2e="title"] ✓ Stable
2. Prix:
   • Regex sur le texte: (\d+[,\.]\d+)\s*€
   • Fallback: chercher dans div avec "price" dans la classe
3. Devise: Toujours EUR pour Cdiscount France
4. SKU: Extraction depuis URL avec regex
5. Images: img[alt] où alt contient le titre
6. Catégorie: Extraction depuis l'URL path
7. Stock: À définir (default: unknown)

5. Recommandations

Pour le parser Cdiscount:

1. ✓ Playwright obligatoire - HTTP ne fonctionne pas
2. ✓ Utiliser les data-e2e attributes quand disponibles (plus stables)
3. ✓ Parsing prix par regex plutôt que sélecteurs CSS (classes instables)
4. ✓ SKU depuis URL (plus fiable que le HTML)
5. ⚠ Prévoir fallbacks multiples pour le prix (plusieurs formats possibles)

Sélecteurs à mettre à jour dans selectors.yml:

title:
  css: 'h1[data-e2e="title"]'
  fallback_css: 'h1'

price:
  # Prix extrait par regex depuis le texte
  regex: '(\d+[,\.]\d+)\s*€'
  # Fallback: classes CSS (instables)
  css: 'div[class*="SecondaryPrice-price"]'

currency:
  static: 'EUR'

images:
  css: 'img[alt]'
  # Filtrer celles qui ont le titre dans alt

reference:
  # Extraction depuis URL
  url_regex: '/f-\d+-([a-z0-9]+)\.html'

category:
  # Extraction depuis URL path
  url_regex: '^/([^/]+)/([^/]+)/'

stock:
  # À définir - default: unknown
  css: 'div[class*="availability"]'

Conclusion

Cdiscount est significativement plus difficile à scraper qu'Amazon:

Critère	Amazon	Cdiscount
Anti-bot	Faible	✗ Fort (Playwright requis)
Sélecteurs	✓ Stables (IDs)	✗ Instables (classes générées)
Structured data	✓ Oui (JSON)	✗ Non
Vitesse	✓ Rapide (HTTP)	Lent (Playwright, ~2s)
Fiabilité	✓✓ Haute	⚠ Moyenne (nécessite fallbacks)

Stratégie recommandée:

• Toujours utiliser Playwright pour Cdiscount
• Implémenter plusieurs fallbacks pour chaque champ
• Parser le prix par regex pour robustesse
• Extraire SKU et catégorie depuis l'URL plutôt que le HTML