Hyphe : un outil de constitution et de curation de corpus, pour cartographier le web du passé

Caractéristiques
| Date | 2013 (1ère version) |
| Porteur | médialab (Sciences Po). Crédits : Mathieu Jacomy, Benjamin Ooghe-Tabanou & Guillaume Plique @ Sciences Po médialab |
| Type | Outil de constitution et d’annotation de corpus web fondé sur un crawler orienté recherche |
| Accès au code | https://github.com/medialab/hyphe |
| Documentation | http://hyphe.medialab.sciences-po.fr |
| Fonctions | Constitution et curation de corpus à partir du web et/ou du web archivé |
| Cartographie de communautés d’acteurs, de thématiques ou de controverses à différentes fenêtres temporelles | |
| Comparaison diachronique de corpus | |
| Sur quelles données : collections d’archives web concernées | L’ensemble des collections de dépôt légal du web conservées à la BnF |
| Contexte d’utilisation à la BnF et conditions d’accès aux données | L’instance de Hyphe qui permet d’explorer les archives du web conservées à la BnF est accessible au sein du BnF DataLab. Les corpus peuvent être exportées au format GEXF ou tabulé. |
| License | Open Source (AGPL 3.0 license) |
L’outil en bref
Logiciel libre développé par le médialab (Sciences Po), Hyphe est un outil de constitution et de curation de corpus web fondé sur un crawler orienté recherche. L’analyse des liens hypertexte entre les pages, sites ou sous-sites web (“entités web”) permet de cartographier des communautés d’acteurs ou des controverses. De nombreux travaux de recherche fondés sur Hyphe sont référencés sur le Github de Hyphe.
Hyphe pour cartographier le web du passé
En 2022, une collaboration entre le médialab et la BnF a permis d’interfacer Hyphe avec les archives du web pour constituer des corpus issus du web archivé. Dans un second temps, Hyphe a été interfacé avec les collections d’archives web d’Internet archive et de l’INA.
Usages
Hyphe peut être utilisé :
- dans une phase exploratoire, pour découvrir de nouveaux acteurs sur un sujet donné, repérer des acteurs centraux, explorer une collection d’archive web,
- comme outil de constitution, délimitation, curation de corpus de manière plus systématique, le processus de curation conduisant l’usager à formaliser les règles qui permettent de considérer que telle entité est ou non dans le corpus.
- pour cartographier le web d’une époque autour d’un acteur ou d’une thématique : les liens hypertextes sont interprétés comme révélant des communautés d’acteurs à une époque donnée,
- pour produire une analyse comparative et diachroniques des communautés sur un sujet donné à deux périodes distinctes : deux corpus sur le même thème ou à partir des mêmes entités à différentes époques
- pour compléter une étude de corpus issu du web “vivant” dans le cas fréquent de sites disparus du web ou de liens rompus.
Workflow
- définition d’une fenêtre temporelle : on indique qu’on va s’intéresser aux captures réalisées par la BnF entre deux bornes temporelles, autour d’une date centrale : par exemple “6 mois avant et après le 6 mai 2012”. Cf. How to.
- définition de “web entities” de façon granulaire ou flexible. Une web entités peut correspondre à une page, un sous-domaine ou hôte, un site web, une combinaison de sites web. Elles correspondent à l’acteur ou à la notion que l’on veut étudier.
- la ou les web entités de départ sont crawlées pour repérer les liens sortants : de nouvelles web entités sont alors découvertes
- un processus itératif permet au chercheur pour chaque web entité de préciser si elle appartient ou pas au corpus, et de la tagguer. Les nouvelles web entités retenues et examinées manuellement peuvent à leur tour être crawlées. Le corpus est ainsi constitué par extension progressive au fur et à mesure du travail de délimitation ou curation.
- le corpus peut être visualisé et exploré sous forme d’un réseau ou graphe de liens au sein de l’outil, ou exporté vers des logiciels d’analyse et de visualisation de réseau comme Gephi.
Enjeux
Hyphe propose un outillage et une méthodologie pour constituer des corpus sur l’ensemble des collections d’archives web, y compris celles non indexées en plein texte. Il permet en ce sens de transposer ou d’étendre aux archives du web des méthodologies déployées sur le web vivant. L’interfaçage de Hyphe avec les archives du web s’est accompagné d’une réflexion méthodologique sur ce que cartographier le web du passé signifie. Un Datasprint a été organisé par la bibliothèque de Sciences Po au BnF DataLab pour faire émerger ces enjeux épistémologiques et esquisser des solutions. Cf. le guide méthodologique produit lors du DataSprint ResPaDon.
Conditions d’accès et de réutilisation
- L’instance qui permet de crawler les archives du web n’est accessible qu’à la BnF, au sein du BnF DataLab
- Données interrogées : L’ensemble des fichiers web archivés et conservés à la BnF sont interrogeables par Hyphe directement (pas de nettoyage requis)
- Les métadonnées des corpus découverts ou constitués peuvent être exportées
- Les graphes de liens produits sont la propriété de leurs auteurs et peuvent être exportés
Cas d’usage et exemples de projets de recherche
Le Datasprint ResPaDon (4 au 8 avril 2022), organisé par le médialab et la Direction des ressources et de l’information scientifique de Sciences Po en collaboration avec la Bibliothèque nationale de France, a donné lieu à quatre explorations thématiques des archives du web avec Hyphe. Elles sont présentées exhaustivement sur le site dédié : https://respadon.medialab.sciencespo.fr
Structuration des communautés politiques autour des candidats aux élections présidentielles (exemple du candidat Jean-Luc Mélenchon)
Lors du Datasprint ResPaDon, un groupe constitué de Sara Aubry (BnF), Fabienne Greffet (Université de Nancy), Cyril Heude (Sciences Po), Robin De Mourat (Sciences Po), Benjamin Ooghe-Tabanou (Sciences Po) a travaillé autour d’une question de recherche amenée par Fabienne Greffet : observer les transformations des communautés politiques de soutien aux candidats à l’élection présidentielle. L’analyse a permis d’observer l’évolution des modes de mobilisation et d’organisation des campagnes en ligne, au travers de l’évolution des formes éditoriales (part respective des blogs, réseaux sociaux, sites web, plateforme vidéo) ou encore l’évolution des types d’acteurs (candidat, professionnel de la politique, formation politique, association, militant, site de campagne), reflet d’une évolution des configurations politiques, du parti traditionnel au “parti plateforme”.
Consulter la “story” sur le site du Datasprint.
Cartographie de la critique en ligne des arts du spectacle
Lors du Datasprint ResPaDon, le groupe constitué de Béatrice Mazoyer (Sciences Po), Guillaume Plique (Sciences Po), Antoine De Sacy (BnF, Huma-Num), Cristina Tosetto (Université Sorbonne Nouvelle), Clara Wiatrowski (BnF) a travaillé autour d’une question de recherche amenée par Cristina Tosetto : comprendre dans quelle mesure les sites de critique des arts du spectacle parviennent à créer des communautés en ligne. Il s’agit d’analyser les liens entre les sites de critiques et les acteurs institutionnels entre 2016 et 2022, avec un focus sur les restructurations potentielles entrainées par la pandémie de COVID 19.
Consulter la “story” sur le site du Datasprint.
Vers une cartographie de la crise de la COVID-19
Un groupe constitué par Leslie Bellony (BnF), Guillaume Brioudes (Sciences Po), Isabelle Degrange (BnF), Alexandre Faye (BnF), Alexis Jacomy (Ouestware), Kevin Locoh-Donou (BnF, Université de Lyon), Caroline Sala (Unistra) a travaillé à une cartographie des discours sur la covid 19 entre décembre 2019 et avril 2022. Ce travail a permis de produire une heuristique sur la collection d’archives web constituée par la BnF au moment de la pendémie et révélé certains noeuds centraux n’ayant pas été collectés.
Consulter la story sur le site du Datasprint
Caractériser les représentations politiques du vivant “génomique” dans les archives du web français
Un groupe constitué par Dorothée Benhamou-Suesser (BnF), Paul Girard (Ouestware), Guillaume Levrier (Sciences Po), Jennifer Morival (Université de Lille), Zeynep Pehlivan (INA) a travaillé sur une question de recherche amenée par Guillaume Levrier : étudier les source web qui publient des contenus autour de la génomique et les types d’acteurs qui mobilisent le champ lexical de cette notion. Cette approche s’est focalisée sur l’internet politique des années 2002 à 2004 et a combiné étude des communautés et une approche fouille de texte fondée sur des recherches de syntagmes sur l’index plein texte de la collection Elections 2002 et de la fouille de texte avec TF-IDF.
Consulter la story sur le site du Datapsrint.
Un exemple de cartographie du web avant Hyphe : le projet Grande Guerre sur le web
Ce projet explore la circulation des images mises en ligne par les institutions patrimoniales au moment du centenaire et la structuration du web relatif à la grande guerre entre réseaux amateurs et réseaux institutionnels. En savoir plus sur le projet Grande Guerre.
Pour aller plus loin
Bibliographie et ressources
Hyphe
- Le Github de Hyphe : https://github.com/medialab/hyphe . Il contient le lien vers de nombreuses vidéos de présentation et de tutoriels ainsi qu’une bibliographie avec des travaux académiques utilisant l’outil.
- Le site du médialab avec une instance de démo de Hyphe (sur le “web vivant”) : http://hyphe.medialab.sciences-po.fr/
Hyphe pour cartographier le web du passé et à la BnF
- A regarder : une vidéo en français, : https://www.youtube.com/watch?v=QySqje4BmoE&list=PL5AWMCpp1DiiOpVYKJYq2tEJEBrISgXzY&index=2 (Playlist “Outils, services pour la recherche”, rendez-vous régionaux d’IIPC : https://www.youtube.com/playlist?list=PL5AWMCpp1DiiOpVYKJYq2tEJEBrISgXzY), rendez-vous régionaux d’IIPC
- A regarder : une session du Research series speaker, “Building Web Corpora from the Live and Archived Web Using the Hyphe Crawler” : mise en ligne à venir
- Le DataSprint ResPaDon a débouché sur un “guide méthodologique” : https://respadon.medialab.sciencespo.fr/methodo/
- Le site du Datasprint Hyphe avec quatre stories : https://respadon.medialab.sciencespo.fr/
- la page dédiée au Datasprint sur le Carnet ResPadon : https://respadon.hypotheses.org/689
- Poster : Aubry Sara et Ooghe-Tabanou Benjamin, 2024, Exploring Web Archives Using Hyphe, A Research Oriented Web Crawler, https://digital.library.unt.edu/ark:/67531/metadc2337253/ , 26 avril 2024, consulté le 23 avril 2025.
- Baneyx Audrey, Benhamou-Suesser Dorothée et Moiraghi Eleonora, 2022, « Le DataSprint ResPaDon : une expérimentation interdisciplinaire autour de la constitution et de l’analyse de corpus issus des Archives de l’internet en lien avec le Web « vivant » », s.l., https://sciencespo.hal.science/hal-03688620v1
A voir aussi
Actes de la journée “20 ans de web électoral”, notamment la restitution de la troisième partie (le web comme territoire à cartographier) : https://webcorpora.hypotheses.org/1385
OpenEdition vous propose de citer ce billet de la manière suivante :
webcorpora (12 mai 2024). Hyphe : un outil de constitution et de curation de corpus, pour cartographier le web du passé. Web Corpora. Consulté le 9 novembre 2025 à l’adresse https://doi.org/10.58079/13wrh



1 réponse
[…] de collecte des Skyblogs, initiées dès le milieu des années 2000. À l’aide de l’outil Hyphe, développé par le médialab de Sciences Po, elle explore les communautés formées autour des […]