Transformation du répertoire SIRENE (CSV) et données connexes au format RDF pour publication en Linked Data.
Le projet est en chantier total, mais quand il y a du nouveau, c'est sur sireneld.io et sur Twitter via le hashtag #sireneLD.
Le répertoire SIRENE est administré et publié par l'INSEE et rassemble de nombreuses informations sur les organisations publiques (collectivités, administrations centrales) et privées (à but lucratif ou non-lucratif).
Chaque organisation est composée :
Le CSV source des établissements provient du fichier SIRENE géo-taggé et publié par @cquest et disponible ici : http://data.cquest.org/geo_sirene/v2019/last/.
La source ouverte officielle est le jeu de données publié sur data.gouv.fr. C'est également depuis ce jeu de données que sireneLD récupère les données des unité légales.
Les identifiants SIREN et SIRET sont les identifiants les plus courants pour identifier une organisation française. Ils sont donc logiquement présents dans des données qui décrivent leur activité. L'un des objectif de ce projet est de publier également ces données connexes, pour qu'elles ne forme un ensemble lié et requêtable.
La liste complète et à jour est là.
Quelques exemples, par ordre d'intégration :
Je pense que des entités aussi cruciales que les entreprises et les organismes publics doivent avoir des identifiants ancrés dans le Web, des URI. Cela vaut aussi pour les données périphériques, tels que les marchés publics. Je pense aussi que l'accessibilité de ces données est insuffisant compte tenu de leur importance.
Ainsi, en suivant les principes du Linked Data, ces URI
81223113200034 est ambigu sans contexte, https://sireneld.io/siret/81223113200034 est univoque)Accept-Type envoyé dans le requête HTTP GETSi vous souhaitez en savoir plus sur le Linked Data, j'ai créé une liste de recommandations de lecture en bas de la page d'accueil de mon site Web.
Le second objectif est de proposer une interface graphique et une API permettant le requêtage des données.
| Fait | Description | Progression |
|---|---|---|
| ✓ | Transformer les données CSV au format RDF, en utilisant Tarql et une requête SPARQL de type CONSTRUCT (Etablissement2rdf.rq et [UniteLegale2rdf.rq](https://github.com/ ColinMaudry/sirene-ld/blob/master/sparql/UniteLegale2rdf.rq)).Résultat. Pour un requêtage efficace et pour remplacer le triple store, la production d'une archive HDT est également nécessaire. |
transform |
| Abandonné | Charger les données dans un triple store, une base données dédiée au stockage et au requêtages de triplets RDF (GraphDB Free ou Apache Fuseki) Résultat. |
triplestore |
| Exposer l'archive HDT à traver un point de requête SPARQL via le Comunica HDT SPARQL actor pour des requêtes SPARQL résilientes. | ldf | |
| ✓ | Créer et publier une ou plusieurs ontologies pour définir les classes et propriétés des entreprises et établissements décrits dans les données du SIRENE. Résultat |
ontology |
| Développer une application Web où les données seront visibles et mises en valeur (en cours : sireneld.io (source) | api | frontend | |
| Intégrer automatiquement les mises à jour quotidiennes publiées par l'INSEE et géocodées par @cquest. | data-update | |
| Enrichir les données à partir d'autres sources de données ouvertes (marchés publics, RNA, RNCS, etc.) externes. | enrich | |
| Intégrer le tout au Service public de la donnée (chiche !?) |
1.2.0 (23 avril 2020)
1.1.0 (15 janvier 2019)
1.0.0 (15 janvier 2019)
Je compte consacrer pas mal de temps à ce projet et je devrai louer un serveur dédié afin de traiter, héberger et publier la masse de données que représente le SIRENE une fois transformé en graphe (en moyenne 500 Mo par département), sans compter les données périphériques (codes officiels géographiques, nomenclature NAF, etc.).
Ainsi, pour soutenir ce projet vous pouvez :