Trouver des domaines expirés : la méthode Common Crawl (et la métrique que personne n'affiche)

Tapez “comment trouver des domaines expirés” et vous tomberez sur les cinq mêmes plateformes, dans le même ordre, depuis des années.

Le problème n’est pas qu’elles soient mauvaises. C’est que vous voyez exactement la même liste que vos concurrents, le même jour, avec le même filtre par défaut. Un domaine réellement intéressant est repéré par des dizaines de personnes dans l’heure. Soit vous payez le prix fort aux enchères, soit vous arrivez trop tard.

Je travaille beaucoup sur des domaines repris. Pas des noms de marque achetés neufs : des domaines qui ont vécu, qui ont accumulé des liens qu’on ne peut plus obtenir aujourd’hui, et que leur propriétaire a lâchés. Et dans ce métier, le nerf de la guerre n’est pas la reconstruction. C’est le sourcing.

Cet article présente une alternative complète : aller chercher les candidats directement dans Common Crawl, la plus grosse base de crawl ouverte du web, et les trier sur une métrique que ni Ahrefs, ni Majestic, ni les enchères ne calculent. Bonus non négligeable en 2026 : ce sont exactement les domaines que les modèles de langage connaissent déjà.

Pourquoi la méthode classique ne produit plus grand-chose

La routine, tout le monde la connaît. On ouvre une plateforme de domaines expirés, on filtre sur le DR ou le TF, on trie par autorité décroissante, on jette un œil au Wayback Machine, on enchérit.

Ça a très bien marché. Ça marche encore un peu. Mais trois défauts se sont accumulés.

Le bassin est partagé. Ces plateformes indexent toutes les mêmes flux de retombées de domaines. Votre avantage concurrentiel sur une liste que 3 000 personnes consultent est mathématiquement nul.

Les métriques affichées sont manipulables. DR, TF, CF : ce sont des mesures de volume et de propagation de liens. Elles montent avec du netlinking. Un domaine qui affiche de beaux chiffres a donc pu être simplement arrosé — parfois par celui qui s’apprête à vous le vendre. J’ai déjà détaillé le problème dans mon article sur les critères d’un backlink de qualité : filtrer là-dessus, c’est filtrer sur le signal le plus facile à falsifier de tout l’écosystème.

Le Wayback Machine a des trous. C’est le réflexe de tout le monde pour vérifier l’historique d’un domaine, et c’est un excellent outil. Mais un propriétaire peut demander le retrait de son site de l’archive, et ces demandes aboutissent. Vous tombez alors sur un domaine “vide” qui a pourtant eu une vraie vie. À l’inverse, l’archive impose des limites de consultation automatisée sévères — c’est bien pour ça que tous les services d’extraction à grande échelle sont payants.

Common Crawl, la base que presque personne n’exploite

Common Crawl est une organisation à but non lucratif qui crawle le web à très grande échelle depuis 2011 et publie ses données librement¹. Chaque passage mensuel couvre plusieurs milliards de pages. Le tout est hébergé sur Amazon S3, en accès public.

Ce qui la rend intéressante pour notre sujet :

• Un historique continu depuis 2011, découpé en index datés. Vous interrogez l’état du web à une période donnée et vous le comparez à aujourd’hui. C’est exactement ce qu’il faut pour repérer un domaine qui existait et qui a disparu.
• Pas de procédure de retrait à la demande comparable à celle de l’archive. Des domaines invisibles ailleurs sont parfaitement documentés ici.
• Pas de limite de scraping à contourner. On ne scrape pas Common Crawl, on l’interroge en SQL. La différence de confort est totale.
• Un webgraph publié à part. C’est là que se trouve la vraie pépite.

La contrepartie, c’est l’ergonomie. Le Wayback Machine s’utilise avec un navigateur et une URL. Common Crawl, c’est de la donnée brute qu’il faut savoir interroger. C’est précisément pour ça que la concurrence y est faible — et c’est tant mieux.

L’harmonic centrality, la métrique qui ne se truque pas

Common Crawl ne publie pas que des pages. Il publie aussi une représentation du web sous forme de graphe : chaque domaine est un nœud, chaque lien est une arête. Sur ce graphe, deux mesures sont calculées et diffusées publiquement².

C’est la seconde qui change la donne. Un domaine à forte harmonic centrality est un domaine bien situé : cité depuis des zones du graphe elles-mêmes bien connectées, souvent sur plusieurs communautés thématiques.

La nuance est capitale. Ce n’est pas une mesure de combien de liens vous avez, mais de qui vous cite et d’où ces gens-là se trouvent. Vous ne rapprochez pas un domaine du centre du web en l’arrosant depuis des fermes de liens et des réseaux périphériques. C’est structurellement impossible.

Et cette métrique n’apparaît nulle part ailleurs. Ni dans les outils de backlinks, ni dans les fiches des places de marché, ni dans les filtres des plateformes de domaines expirés. Ce qui veut dire qu’un domaine faible sur les métriques classiques — donc ignoré par tout le monde — peut être excellent sur celle-ci.

L’angle IA : pourquoi ces domaines percent aussi dans ChatGPT

C’est là que ça devient stratégique en 2026.

Common Crawl est l’un des corpus historiques d’entraînement des grands modèles de langage, et il continue d’être exploité pour actualiser leur connaissance du web. Traduction : le graphe que vous interrogez pour trouver vos domaines est très proche de celui sur lequel les modèles se sont forgé une idée de ce qu’est une source fiable.

Un domaine bien positionné dans ce graphe, mais mort, porte en pratique une étiquette “source connue, actuellement hors service”. Vous le remettez debout, il renvoie de nouveau un code 200 avec du contenu cohérent, les crawlers repassent, constatent l’activité et le réintègrent.

On observe alors quelque chose qu’un domaine neuf ne vous donnera pas : des pages publiées après la reprise qui se mettent à être citées dans les réponses génératives.

Autrement dit, le même travail de sourcing sert deux canaux à la fois : les positions Google classiques et la visibilité dans les moteurs conversationnels. C’est aujourd’hui l’argument principal de la méthode.

La méthode, étape par étape

Pour l’étape 3, voici une base de départ à adapter :

SELECT url_host_registered_domain AS domaine,
       COUNT(*) AS pages_crawlees
FROM   "ccindex"."ccindex"
WHERE  crawl        = 'CC-MAIN-2022-05'
  AND  subset       = 'warc'
  AND  fetch_status = 200
  AND  url_host_tld = 'fr'
GROUP  BY url_host_registered_domain
HAVING COUNT(*) > 50
ORDER  BY pages_crawlees DESC;

Ajustez le crawl visé, l’extension et le seuil de pages. Un scan sur plusieurs téraoctets prend une trentaine à une quarantaine de minutes : lancez-le et allez faire autre chose. Athena facture au volume de données scanné³, d’où l’intérêt de filtrer serré dès le départ plutôt que d’exporter tout le web.

Monter le site : pourquoi j’ai abandonné WordPress sur les drops

Le domaine est acquis, le contenu d’origine récupéré. Reste à le remettre en ligne. Le réflexe est de coller un WordPress. Sur un rebuild, je ne le fais plus, pour quatre raisons.

• Les empreintes. Un WordPress laisse une signature parfaitement lisible : structure d’URL, chemins de thème, endpoints, en-têtes. Sur un parc de sites, ces empreintes se ressemblent toutes.
• La vitesse. Un HTML statique sans framework atteint les scores maximum sans effort. Obtenir le même résultat sur WordPress mobile demande un empilement de cache qu’il faut ensuite maintenir.
• La sécurité. Pas d’admin, pas de base de données, pas de plugin : il n’y a rien à compromettre. Sur un site qu’on ne surveille pas tous les jours, c’est décisif.
• L’automatisation. Des fichiers plats se génèrent, se versionnent et se redéploient par commande. Toute la chaîne devient scriptable de bout en bout — exactement ce qu’on veut quand on gère plusieurs dizaines d’actifs.

La règle qui casse tout si vous l’ignorez

Si vous ne retenez qu’une chose après la métrique : ne changez pas la thématique du domaine.

C’est le grief principal de Google envers les drops, et c’est précisément le comportement qu’il détecte : un domaine dormant qui revient sur un sujet sans rapport avec sa vie antérieure. Le symptôme observable, c’est que la transmission d’autorité s’arrête net — la redirection 301 ne passe plus rien, le canonical non plus. Vous avez payé pour un profil de liens qui ne vous rapporte rien.

Reprendre un ancien site de cuisine pour y monter un site de plafonds tendus : effet nul. Reprendre le même site de cuisine avec un contenu de cuisine restauré : ça fonctionne, et c’est même là que la méthode donne ses meilleurs résultats.

Combien de temps avant que ça produise

Ordres de grandeur sur un drop dont le contenu a été restauré correctement, dans sa thématique :

Deux facteurs peuvent allonger la première phase : un ancien robots.txt restrictif encore en cache côté moteur, et une période de mise à jour d’algorithme. Dans les deux cas on attend. On ne rebidouille pas le site tous les trois jours pour forcer.

Et le corollaire, valable pour tous vos sites : une page qui est en tête et qui est citée par les moteurs génératifs, on n’y touche pas. On ne réécrit pas le contenu, on ne change pas les liens. On agit quand la courbe descend, pas avant.

Ce que la méthode ne fait pas

Trois limites, pour être honnête sur le tableau.

Ce n’est pas instantané. Entre le compte AWS, la requête, l’export, le nettoyage et le test de disponibilité, la première campagne prend une journée. Les suivantes vont beaucoup plus vite, mais le ticket d’entrée est réel — et c’est aussi ce qui protège la méthode de la saturation.

Une bonne harmonic centrality ne dit pas tout. Elle situe le domaine dans le graphe. Elle ne vous dit ni ce qu’il est devenu, ni s’il a été brûlé, ni si ses liens sont toujours en ligne.

Les règles bougent. Tout ce qui touche à la visibilité dans les moteurs génératifs évolue au rythme de leurs mises à jour. La partie “domaine expiré bien connecté = base solide” me paraît structurelle. Les tactiques d’accélération, beaucoup moins. Construisez sur la première, testez les secondes.

La checklist avant de dégainer la carte bleue

• Le domaine ressort-il avec une harmonic centrality élevée dans le webgraph ?
• Les liens qui pointent vers lui sont-ils toujours en ligne ?
• Ces liens sont-ils reproductibles autrement ? (si oui, l’intérêt baisse)
• Le domaine a-t-il servi à autre chose entre-temps ? (jeu, adulte, spam)
• Le contenu d’origine est-il récupérable en quantité suffisante ?
• Puis-je rester dans la thématique d’origine ?
• Le prix reste-t-il cohérent avec ce que vaut le profil de liens ?

Si tout est coché, foncez. Si le domaine a servi de support à un site sans rapport pendant deux ans, passez votre chemin, quel que soit le score.

Sources