Benchmark

Die besten LinkedIn-Scraper

mit

aktualisiert am 10. Juni 2026

Wir haben benchmarked die besten LinkedIn-Scraper-Tools unter Verwendung von 9.000 Anfragen über Beiträge, Profile und Stellenangebote. Dieser Leitfaden behandelt zwei Hauptbereiche:

Vergleich der Top-LinkedIn-Datenscraper
Python-Tutorial zum Extrahieren von LinkedIn-Beiträgen, Profilen, Unternehmen und Jobs.

Anbieter

Fokus

Bright Data

Spezielle großvolumige und kostengünstige API-Lösung

Apify

Marktführende Auswahl an Scraping-APIs (Community-getriebener Ansatz)

Linked Helper

Desktop-App für Einzelnutzer

LinkedIn-Scraper-API-Vergleich

LinkedIn-Scraper	Typ	Zweck	Startpreis/Monat	Kostenlose Testversion
Bright Data	Proxy-basiert	Datenerfassungsplattform	$1.5 / 1K Anfragen	Kostenlose 5k Datensätze pro Monat
Apify	Cookie-basiert Proxy-basiert	Datenerfassungsplattform	$30	3 Tage
Nimbleway	Proxy-basiert	Datenerfassungsplattform	$150	7 Tage
Dripify	Proxy-basiert	LinkedIn-Automatisierungsplattform	$39	7 Tage
Linked Helper	Proxy-basiert	LinkedIn-Automatisierungsplattform	$15	14 Tage
PhantomBuster	Cookie-basiert	LinkedIn-Automatisierungsplattform	69€	14 Tage
Snov.io	Browser-Erweiterung	LinkedIn-Automatisierungsplattform	$39	50 Guthaben, 100 E-Mail-Empfänger
FindThatLead	Browser-Erweiterung	LinkedIn-Automatisierungsplattform	49€	50 Guthaben

LinkedIn-Scraping-Benchmark-Ergebnisse

Dieses Diagramm vergleicht die täglichen Erfolgsraten von LinkedIn-Scraper-APIs basierend auf Live-Tests, die alle 15 Minuten durchgeführt werden:

API- und proxy-basierte LinkedIn-Scraper

Proxy-basierte LinkedIn-Scraper nutzen ihre eigene Proxy-Infrastruktur, einschließlich IP-Adressen und Servern, um LinkedIn-Daten in großem Umfang zu extrahieren. Diese APIs senden Anfragen über ein verwaltetes Proxy-Netzwerk.

Dies ist der richtige Ansatz für hochvolumiges, zuverlässiges LinkedIn-Scraping, weil:

Schnell: Da der Scraper beim Scrapen der Daten auf mehrere Profile zurückgreift, kann er schneller scrapen.
Zuverlässig: Wenn die Zielwebsite ein Profil oder eine IP-Adresse sperrt, wechselt der Anbieter zu einer anderen, um den Betrieb fortzusetzen.
Sicher: Die Person, die das Scraping in Auftrag gibt, muss nicht ihr eigenes Konto verwenden, sodass kein Risiko besteht, dass Ihr Profil gesperrt wird.

Bright Data

Bright Data bietet eine dedizierte LinkedIn-Web-Scraper-API, die für die strukturierte Datenextraktion aus öffentlichen LinkedIn-Seiten entwickelt wurde. Die API-Suite umfasst die Profile-API, die Post-API und die Unternehmens-API, die jeweils auf Genauigkeit und Compliance optimiert sind. Die Plattform bietet außerdem LinkedIn-Datensätze, die auf bestimmte LinkedIn-Anwendungsfälle zugeschnitten sind.

Funktionen:

Discovery: Sie können Daten von LinkedIn mithilfe eines bestimmten Schlüsselworts abrufen, z. B. Vor- und Nachname, Datumsfilter oder Standort der Stelle.
Echtzeit-Scraping: Ermöglicht Benutzern, die aktuellsten auf LinkedIn verfügbaren Informationen zu erhalten.
Integrierte Proxy-Unterstützung: Die LinkedIn-APIs umfassen integrierte Proxy-Unterstützung.

Holen Sie sich LinkedIn-Daten in großem Umfang, 25 % Rabatt mit Code API25

Website besuchen

Apify

Apify bietet eine Reihe vorgefertigter Actors, die auf Web-Scraping auf LinkedIn zugeschnitten sind. Zu den beliebten LinkedIn-Scraping-Tools gehören Job Scraper, Sales Navigator Scraper, Company Scraper, Profile Scraper, Post Scraper und Ads Scraper.

Funktionen:

Anpassbare Actors (vorgefertigte Web-Scraper): Ein Marktplatz von LinkedIn-Scrapern, die von Community-Entwicklern erstellt wurden und jeweils an spezifische Scraping-Anforderungen anpassbar sind.
Automatisierung: Verknüpfen Sie mehrere Actors oder integrieren Sie externe Tools über APIs. Jeder Actor unterstützt Verbindungen zum MCP-Server, sodass Benutzer verschiedene Scraping-Actors verwalten und mit ihnen kommunizieren können.

Testen Sie Apifys LinkedIn-Scraper (3 Tage kostenlos)

Website besuchen

Nimble

ScraperAPI ist eine verwaltete Proxy- und Web-Scraping-Infrastruktur, die dedizierte Unterstützung für die LinkedIn-Datenextraktion umfasst. Anstatt einen vorgefertigten LinkedIn-Datensatz bereitzustellen, übernimmt es den Scraping-Prozess, einschließlich IP-Rotation, CAPTCHA-Lösung und Header-Verwaltung.

Funktionen

Unterstützung gleichzeitiger Anfragen: Skalieren Sie Tausende von Anfragen pro Minute.
LinkedIn-spezifische Vorlagen für Profile, Unternehmen und Jobseiten.

Cookie-basierte Tools verwenden Ihren Browser-Cookie, um Daten zu extrahieren. Sie werden für die Datenerfassung in geringem Umfang und ohne kritische Bedeutung verwendet, insbesondere wenn Benutzer Kunden dieser Automatisierungstools sind und keine zusätzlichen Kosten entstehen.

Diese Automatisierungstools müssen in Ihrem Namen „handeln“, um Aufgaben in sozialen Netzwerken auszuführen:

LinkedIn setzt einen Sitzungs-Cookie, wenn Sie sich anmelden.
Sie übergeben diesen Cookie an das Tool.
Das Tool verwendet den Cookie, um Daten zu sammeln und Aktionen wie Verbindungsanfragen durchzuführen.

Dieser Ansatz ist:

Langsam: Da es menschliches Verhalten nachahmt, ist das Scraping langsamer als bei Tools, die ihre eigene Infrastruktur nutzen. Sie sind nicht für groß angelegte Datenextraktionsaufgaben geeignet.
Riskant: Wenn LinkedIn verdächtige Aktivitäten erkennt, könnten Sie mit vorübergehenden Einschränkungen oder einer dauerhaften Sperre von LinkedIn rechnen.

Phantombuster

PhantomBuster bietet einen LinkedIn-Profils scraper und einen Unternehmens-Scraper, um öffentliche Daten von der Plattform zu scrapen.

Funktionen:

Aktualisierte LinkedIn-Daten: Sie können das LinkedIn-Scraping-Tool so einrichten, dass es wiederholt gestartet wird, um täglich Daten zu extrahieren.
Firefox- und Chrome-Erweiterung: Der LinkedIn-Datenextraktor ist als Erweiterung verfügbar.
Cloud-basiert: Läuft auf den Remote-Servern und ermöglicht es Benutzern, Daten von LinkedIn zu extrahieren, ohne lokale Ressourcen zu verwenden.

Linked Helper

Linked Helper ist eine desktopbasierte LinkedIn-Automatisierungsplattform, die auch LinkedIn-Scraping-Funktionen umfasst. Das Tool benötigt standardmäßig keine Proxys, ermöglicht es Benutzern jedoch, Proxys pro LinkedIn-Konto manuell einzurichten.

Funktionen:

Automatisiertes Profil-Verbinden: Besucht LinkedIn-Profile und sendet personalisierte Nachrichten.
Daten-Scraping: Bietet einen Datenextraktor, um Daten aus LinkedIn-Profilen und aus Sales Navigator zu sammeln. Sie können die gesammelten Daten im CSV-Format erhalten.
Integriertes CRM: Alle Kontakte werden in einem integrierten CRM innerhalb von Linked Helper gespeichert. Wenn Sie ein externes CRM verwenden, können Sie Daten an diese CRMs senden.

Dripify

Dripify ist ein LinkedIn-Automatisierungstool, das Vertriebsprofis hilft, Aufgaben auf der Plattform zu automatisieren. Sie bieten einen LinkedIn-Scraper, der es Benutzern ermöglicht, auf LinkedIn-Lead-Daten zuzugreifen und sie in eine CSV-Datei zu exportieren.

Funktionen:

Lokale IP-Adresse: Bietet eine eindeutige IP-Adresse aus der lokalen Region des Benutzers, sodass Benutzer auf Websites zugreifen können, als ob sie sich in verschiedenen geografischen Gebieten befänden.
Simulation menschlichen Verhaltens: Imitiert die Aktionen eines echten Benutzers bei der Interaktion mit LinkedIn. Es fügt zufällige Zeitverzögerungen zwischen Anfragen ein und simuliert Benutzerklicks auf Links oder Schaltflächen, damit Sie eher wie ein echter Benutzer erscheinen.

E-Mail-Finder- und Erweiterungstools

Diese laufen im Browser und zielen auf die Erfassung von E-Mails und Leads ab, nicht auf umfassendes Scraping. Sie eignen sich für kleine Aufgaben und funktionieren nicht mehr, wenn sich der Browser oder das Seitenlayout ändert.

Snov.io

Snov.io ist eine Chrome-Erweiterungsplattform für Vertriebsengagement, die Lösungen über den gesamten Outreach-Zyklus bietet. Snov.ios LinkedIn-E-Mail-Finder extrahiert mechanisch E-Mail-Adressen aus einem LinkedIn-Profil oder einer Suchergebnisseite.

Es ist wichtig zu beachten, dass Snov.io kein dediziertes LinkedIn-Scraping-Tool ist; es kann E-Mail-Adressen scrapen. Sie können E-Mails in großen Mengen von LinkedIn People Search-Seiten und LinkedIn Sales Navigator-Suchergebnissen sammeln.

LinkedIn-Automatisierungsanbieter wie PhantomBuster, Linked Helper und Dripify bieten vorgefertigte Skripte. Wenn Ihre Organisation LinkedIn-Automatisierung benötigt, aber keine E-Mail-Lösung hat, kann Snov.io ausreichend sein. Der kostenlose Tarif (50 Guthaben) ist großzügig.

Funktionen:

E-Mail-Finder: Findet E-Mail-Adressen basierend auf Name, Unternehmen und Domain-Eingaben. Snov.io bietet außerdem Chrome-Erweiterungen zur Lead-Generierung („Click-and-Collect“). Sie können E-Mails von LinkedIn- und Google-Suchmaschinen extrahieren.
E-Mail-Verifizierer: Bietet ein 7-stufiges E-Mail-Verifizierungstool, das Adressen mit 98 % Genauigkeit verifiziert. Beachten Sie, dass die Verifizierung Guthaben verbraucht, ein Guthaben pro Verifizierung.

findthatlead

FindThatLead ist eine cloudbasierte B2B-Plattform zur Lead-Generierung und E-Mail-Verifizierung. Die Plattform bietet eine Chrome-Erweiterung, mit der Benutzer E-Mail-Adressen aus LinkedIn-Profilen und Websites extrahieren können. Es ist keine kostenlose Lösung und erfordert Guthaben von Ihrem eigenen FindThatLead-Konto.

Funktionen:

E-Mail-Finder & Verifizierer: Sie können E-Mails von LinkedIn und anderen Websites erhalten, die zusätzliche Informationen wie Ihren Namen, Ihre E-Mail-Adresse und Ihre Berufsbezeichnung enthalten.
E-Mail-Sender & Drip-Kampagnen: Der E-Mail-Sender ist ein kostenloses Tool, mit dem Sie Nachrichten für jeden Empfänger personalisieren können.

Preise:

Startpreis (Monat): $49 (2000 E-Mail-Guthaben)
Testversion: 50 E-Mail-Guthaben, einschließlich der Chrome-Erweiterung.

Evaboot

Evaboot ist ein Chrome-basiertes Automatisierungstool, das Lead-Daten direkt aus LinkedIn Sales Navigator exportiert. Anstatt über Proxys zu scrapen, nutzt es Ihre eigene Sales Navigator-Sitzung, um sichtbare Lead-Daten zu sammeln und zu bereinigen. Es eignet sich jedoch nicht für groß angelegtes Scraping oder automatisierte Planung.

Funktionen

Native Sales-Navigator-Integration: Ruft Namen, Berufsbezeichnungen, Firmennamen, Branchen und Standorte aus den Sales Navigator-Suchergebnissen ab.
Datenbereinigung: Entfernt automatisch Duplikate, defekte Links und unvollständige Profile.

Preise:

Beginnt bei $49/Monat mit einer 7-tägigen kostenlosen Testversion.
Bietet Pay-per-Export-Optionen für kleine Teams.

Lassen Sie unser Team einen Ihrer Geschäftsprozesse kostenlos mit KI-Agenten automatisieren.

Einen Prozess automatisieren

Python-Tutorial: LinkedIn mit einer Scraper-API scrapen

Jedes Beispiel folgt demselben Muster: Sie senden die Ziel-LinkedIn-URL an Bright Datas LinkedIn-Scraper-API und erhalten strukturierte Daten (JSON oder CSV) zurück.

Voraussetzungen

Sie benötigen einige Einrichtungsschritte, um zu beginnen:

Python 3.x ist auf Ihrem System installiert
requests-Bibliothek (pip install requests)
Bright Data-Konto mit aktiviertem LinkedIn-Datensatz

So scrapen Sie LinkedIn-Beiträge

Schritt 1: Scraping-Auftrag auslösen

Senden Sie eine LinkedIn-Beitrags-URL an den Bright Data-API-Endpunkt, um den Scraping-Prozess zu starten. Dasselbe Muster gilt später in diesem Leitfaden für Profil-, Job- und Unternehmens-Scraping.

1import requests
2import json
3import os
4
5# Hidden secrets read from environment variables
6url = os.environ.get("BRIGHTDATA_TRIGGER_ENDPOINT", "BRIGHT_DATA_TRIGGER_ENDPOINT")
7API_KEY = os.environ.get("BRIGHTDATA_API_KEY", "YOUR_API_KEY_HERE")
8DATASET_ID = os.environ.get("BRIGHTDATA_DATASET_ID", "YOUR_DATASET_ID")
9
10headers = {
11    "Authorization": "Bearer " + API_KEY,
12    "Content-Type": "application/json",
13}
14
15params = {
16    "dataset_id": DATASET_ID,
17    "include_errors": "true",
18}
19
20linkedin_urls = [
21    "https://www.linkedin.com/posts/example-post-1",
22    "https://www.linkedin.com_posts/example-post-2",
23    "https://www.linkedin.com/posts/example-post-3",
24]
25
26data = [{"url": url} for url in linkedin_urls]
27
28response = requests.post(url, headers=headers, params=params, json=data)
29
30try:
31    result = response.json()
32    print(json.dumps(result, indent=4))
33except json.JSONDecodeError:
34    print("Could not get valid JSON response:", response.text)

Dieses Python-Skript sendet eine POST-Anfrage an die Bright Data-LinkedIn-Scraper-API, um den Scraping-Auftrag zu starten. Wir authentifizieren uns mit unserem API-Schlüssel und geben die Datensatz-ID an. “

Jede LinkedIn-Beitrags-URL wird als JSON-Objekt übergeben und an die API gesendet, die sich im Hintergrund um Proxy-Rotation, CAPTCHA-Lösung und Anfragevalidierung kümmert. Die API gibt eine eindeutige Snapshot-ID zurück, die Sie später verwenden, um die gescrapten LinkedIn-Daten abzurufen.

Schritt 2: Gescrapte Daten abrufen

Verwenden Sie die vom Trigger-Auftrag zurückgegebene Snapshot-ID. Geheimnisse und Endpunkte werden aus Umgebungsvariablen gelesen.

1# retrieve_snapshot.py
2import requests
3import time
4import json
5import os
6
7snapshot_id = os.environ.get("BRIGHTDATA_SNAPSHOT_ID", "YOUR_SNAPSHOT_ID")
8url = f"{os.environ.get('BRIGHTDATA_SNAPSHOT_ENDPOINT', 'BRIGHT_DATA_SNAPSHOT_ENDPOINT')}/{snapshot_id}"
9headers = {
10    "Authorization": "Bearer " + os.environ.get("BRIGHTDATA_API_KEY", "YOUR_API_KEY_HERE")
11}
12
13while True:
14    response = requests.get(url, headers=headers)
15    raw_text = response.text.strip()
16
17    try:
18        data = json.loads(raw_text)
19    except json.JSONDecodeError:
20        print("Multiple JSON objects detected. Processing line by line...")
21        for line in raw_text.splitlines():
22            try:
23                item = json.loads(line)
24                post_text = item.get("post_text", "[Not available]")
25                num_likes = item.get("num_likes", "[Not available]")
26                num_comments = item.get("num_comments", "[Not available]")
27
28                print("Post Text:", post_text)
29                print("Likes:", num_likes)
30                print("Comments:", num_comments)
31                print("-" * 40)
32            except Exception as e:
33                print("Skipped invalid line:", e)
34        break
35
36    status = data.get("status")
37
38    if status == "building":
39        print("Data is being processed... Waiting.")
40        time.sleep(5)
41        continue
42    elif status == "done":
43        print("Data is ready!")
44        for item in data.get("items", []):
45            print("Post Text:", item.get("post_text", "[Not available]"))
46            print("Likes:", item.get("num_likes", "[Not available]"))
47            print("Comments:", item.get("num_comments", "[Not available]"))
48            print("-" * 40)
49        break
50    else:
51        print("Unexpected status:", status)
52        break

Dieses Skript ruft die gescrapten LinkedIn-Daten mithilfe der vom Trigger-Auftrag zurückgegebenen Snapshot-ID ab. Es fragt die Bright Data-API ab, um den Auftragsstatus zu prüfen, bis der Scraping-Prozess abgeschlossen ist.

Die API-Antwort kann entweder ein einzelnes JSON-Objekt (mit Status) oder mehrere JSON-Objekte im NDJSON-Format sein. Bei NDJSON-Antworten parsen Sie jede Zeile und extrahieren die Beitragsdatensätze; bei einzelnen JSON-Antworten überprüfen Sie das Statusfeld: Wenn es „building“ ist, warten Sie einige Sekunden und versuchen Sie es erneut, bis es „done“ wird. Sobald es abgeschlossen ist, können Sie die strukturierten LinkedIn-Beitragsdaten extrahieren und anzeigen.

So scrapen Sie LinkedIn-Jobs mit Python

Erfahren Sie, wie Sie LinkedIn-Stellenangebote mit Python und der LinkedIn-Scraper-API scrapen. Sie können strukturierte Jobdaten, einschließlich Titel, Unternehmen, Standorte, Veröffentlichungsdaten und Stellenbeschreibungen, direkt aus LinkedIn-Job-URLs extrahieren.

Dieser Ansatz ist ideal für den Aufbau von Jobbörsen, Rekrutierungsanalysen oder Gehaltsforschungstools.

Schritt 1: Scraping-Auftrag auslösen

Das folgende Skript sendet eine POST-Anfrage an Bright Datas API, um einen LinkedIn-Job-Scraping-Auftrag zu starten. Jede Job-URL wird an den Datensatz LinkedIn_jobs übergeben, der automatisch Proxy-Rotation und LinkedIns Anti-Bot-Schutz übernimmt.

1# trigger_jobs.py
2import requests
3import json
4import os
5
6# Hidden secrets read from environment variables
7url = os.environ.get("BRIGHTDATA_TRIGGER_ENDPOINT", "BRIGHT_DATA_TRIGGER_ENDPOINT")
8API_KEY = os.environ.get("BRIGHTDATA_API_KEY", "YOUR_API_KEY_HERE")
9DATASET_ID = os.environ.get("BRIGHTDATA_DATASET_ID", "YOUR_DATASET_ID")
10
11headers = {
12    "Authorization": "Bearer " + API_KEY,
13    "Content-Type": "application/json",
14}
15
16params = {
17    "dataset_id": DATASET_ID,
18    "include_errors": "true",
19    "type": "discover_new",
20    "discover_by": "keyword",
21}
22
23data = [
24    {
25        "location": "New York",
26        "keyword": "software engineer",
27        "country": "US",
28        "job_type": "Full-time",
29        "remote": "Hybrid",
30        "company": "",
31        "location_radius": ""
32    },
33    {
34        "location": "New York",
35        "keyword": "data analyst",
36        "country": "US",
37        "job_type": "Full-time",
38        "remote": "Remote",
39        "company": "",
40        "location_radius": ""
41    },
42]
43
44response = requests.post(url, headers=headers, params=params, json=data)
45result = response.json()
46print(f"Snapshot ID: {result['snapshot_id']}")

Dieses Skript startet den LinkedIn-Job-Scraping-Prozess, indem es eine POST-Anfrage an die Bright Data-API sendet. Wir authentifizieren uns mit unserem API-Schlüssel und geben die LinkedIn-Jobs-Datensatz-ID an.

Die Suchkriterien definieren, welche Rollen gescrapt werden sollen. Zum Beispiel Softwareentwickler in Hybridpositionen oder Datenanalysten in Remote-Rollen in ganz New York.

Die API gibt eine Snapshot-ID zurück, mit der die Ergebnisse abgerufen werden können, sobald das Scraping abgeschlossen ist. Da alle Scraping-Aufgaben auf Bright Datas Cloud-Infrastruktur laufen, wird der Prozess fortgesetzt, auch wenn Sie Ihr Python-Skript schließen.

Schritt 2: Warten und Ergebnisse abrufen

Warten Sie 5–10 Minuten, bis das Scraping abgeschlossen ist, und verwenden Sie dann dieses Skript, um die Daten abzurufen:

1# retrieve_jobs.py
2import requests
3import json
4import os
5
6snapshot_id = os.environ.get("BRIGHTDATA_SNAPSHOT_ID", "YOUR_SNAPSHOT_ID")
7
8url = f"{os.environ.get('BRIGHTDATA_SNAPSHOT_ENDPOINT', 'BRIGHT_DATA_SNAPSHOT_ENDPOINT')}/{snapshot_id}?format=json"
9headers = {
10    "Authorization": "Bearer " + os.environ.get("BRIGHTDATA_API_KEY", "YOUR_API_KEY_HERE")
11}
12
13response = requests.get(url, headers=headers)
14
15if response.status_code == 200:
16    lines = response.text.strip().splitlines()
17    first_line = json.loads(lines[0])
18
19    print(f"✓ Total jobs found: {len(first_line)}\n")
20    print("First 10 job listings:\n")
21    print("="*80)
22
23    for idx, job in enumerate(first_line[:10], 1):
24        if isinstance(job, dict):
25            print(f"\n[{idx}]")
26            print(f" Position: {job.get('job_title', 'N/A')}")
27            print(f" Company:  {job.get('company_name', 'N/A')}")
28            print(f" Location: {job.get('job_location', 'N/A')}")
29            print(f" Job Type: {job.get('job_employment_type', 'N/A')}")
30            print(f" Seniority: {job.get('job_seniority_level', 'N/A')}")
31            print(f" Link:     {job.get('url', 'N/A')}")
32            print("-"*80)
33
34    print(f"\n✓ First 10 displayed (total {len(first_line)} records available)")
35else:
36    print(f"Error: {response.status_code}")

Sobald der LinkedIn-Job-Scraping-Prozess abgeschlossen ist, rufen wir die strukturierten Daten mithilfe der vom Trigger-Auftrag zurückgegebenen Snapshot-ID ab. Die Antwort liegt typischerweise im NDJSON-Format vor, wobei jede Zeile eine separate Stellenanzeige darstellt.

Wir parsen jeden Eintrag und extrahieren Schlüsselinformationen wie Berufsbezeichnung, Firmenname, Standort, Beschäftigungsart und Veröffentlichungsdatum. Bei einzelnen JSON-Antworten überprüft das Skript das Statusfeld und wartet, bis es „done“ entspricht, um sicherzustellen, dass alle LinkedIn-Jobdaten vollständig verarbeitet sind. Das Skript verwendet außerdem .get() mit Standardwerten, um fehlende Felder elegant zu behandeln.

So scrapen Sie LinkedIn-Profilseiten

Sie möchten möglicherweise LinkedIn-Profile für mehrere legitime Anwendungsfälle scrapen. Zum Beispiel die Analyse von Mitarbeitern eines bestimmten Unternehmens, die Anreicherung einer Rekrutierungsdatenbank oder die Verarbeitung einer Liste von LinkedIn-Profil-URLs, die bei einer Networking-Veranstaltung gesammelt wurden.

Schritt 1: Scraping-Auftrag auslösen

1# trigger_profiles.py
2import requests
3import json
4import os
5
6# Hidden secrets read from environment variables
7api_url = os.environ.get("BRIGHTDATA_TRIGGER_ENDPOINT", "BRIGHT_DATA_TRIGGER_ENDPOINT")
8API_KEY = os.environ.get("BRIGHTDATA_API_KEY", "YOUR_API_KEY_HERE")
9DATASET_ID = os.environ.get("BRIGHTDATA_DATASET_ID", "YOUR_DATASET_ID")
10
11headers = {
12    "Authorization": "Bearer " + API_KEY,
13    "Content-Type": "application/json",
14}
15
16params = {
17    "dataset_id": DATASET_ID,  # Get this from your Bright Data dashboard
18    "include_errors": "true",
19}
20
21profile_urls = [
22    "https://www.linkedin.com/in/example-profile-1/",
23    "https://www.linkedin.com/in/example-profile-2/",
24    "https://www.linkedin.com/in/example-profile-3/"
25]
26
27data = [{"url": profile_url} for profile_url in profile_urls]
28
29response = requests.post(api_url, headers=headers, params=params, json=data)
30
31try:
32    result = response.json()
33    print(json.dumps(result, indent=4))
34except json.JSONDecodeError:
35    print("Could not get valid JSON response:")
36    print(response.text)

Dieses Skript sendet eine POST-Anfrage an Bright Datas API, um mit dem Scraping der angegebenen LinkedIn-Profile zu beginnen. Wir authentifizieren uns mit unserem API-Token und geben die Datensatz-ID an (verfügbar in Ihrem Bright Data-Dashboard unter dem Datensatz LinkedIn People).

Die Profil-URLs werden als Wörterbuchobjekte formatiert und an die API gesendet, die sie verarbeitet und eine Snapshot-ID zum späteren Abrufen der Daten zurückgibt. Der try-except-Block behandelt die Antwort und zeigt die Snapshot-ID oder Fehler an.

Schritt 2: Gescrapte LinkedIn-Profildaten abrufen

Verwenden Sie die in Schritt 1 zurückgegebene Snapshot-ID, um die LinkedIn-Scraper-API abzufragen, bis der Auftrag abgeschlossen ist, und parsen Sie dann die Antwort.

1import requests
2import time
3import json
4
5snapshot_id = "YOUR_SNAPSHOT_ID"
6url = f"BRIGHT_DATA_SNAPSHOT_ENDPOINT/{snapshot_id}"
7
8headers = {
9    "Authorization": "Bearer YOUR_API_KEY_HERE"
10}
11
12while True:
13    response = requests.get(url, headers=headers)
14    raw_text = response.text.strip()
15
16    print(f"Status Code: {response.status_code}\n")
17
18    if response.status_code != 200:
19        print("Error:", raw_text)
20        break
21
22    try:
23        data = json.loads(raw_text)
24    except json.JSONDecodeError:
25        print("Processing JSONL format (multiple JSON objects)...\n")
26
27        for line in raw_text.splitlines():
28            line = line.strip()
29            if not line:
30                continue
31
32            try:
33                item = json.loads(line)
34
35                profile_id = item.get("id", "[Not available]")
36                name = item.get("name", "[Not available]")
37                country_code = item.get("country_code", "[Not available]")
38                about = item.get("about", "[Not available]")
39                experience = item.get("experience", []) or []
40                current_company = item.get("current_company", {}) or {}
41
42                print("=" * 60)
43                print(f"ID: {profile_id}")
44                print(f"Name: {name}")
45                print(f"Country Code: {country_code}")
46
47                if about and about != "[Not available]":
48                    print(f"About: {about[:150]}..." if len(about) > 150 else f"About: {about}")
49                else:
50                    print("About: [Not available]")
51
52                if current_company:
53                    company_name = current_company.get("name", "[Not available]")
54                    company_title = current_company.get("title", "[Not available]")
55                    print(f"Current Company: {company_name}")
56                    if company_title != "[Not available]":
57                        print(f" Title: {company_title}")
58
59                print(f"Total Experience: {len(experience)} positions")
60
61                if experience and len(experience) > 0:
62                    print("\nExperience:")
63                    for idx, exp in enumerate(experience[:3], 1):
64                        exp_title = exp.get("title", "N/A")
65                        exp_company = exp.get("company_name", "N/A")
66                        print(f" {idx}. {exp_title} at {exp_company}")
67
68            except json.JSONDecodeError as e:
69                print(f"JSON parse error: {e}")
70            except Exception as e:
71                print(f"Error processing line: {e}")
72
73        print("\n" + "=" * 60)
74        print("All profiles processed successfully!")
75        break
76
77    status = data.get("status")
78
79    if status in ["building", "running"]:
80        print(f"Status: {status} - Waiting 5 seconds...")
81        time.sleep(5)
82        continue
83
84    elif status in ["ready", "done"]:
85        print("Data is ready! Processing items...\n")
86
87        for item in data.get("items", []):
88            profile_id = item.get("id", "[Not available]")
89            name = item.get("name", "[Not available]")
90            country_code = item.get("country_code", "[Not available]")
91            about = item.get("about", "[Not available]")
92            experience = item.get("experience", []) or []
93            current_company = item.get("current_company", {}) or {}
94
95            print("=" * 60)
96            print(f"ID: {profile_id}")
97            print(f"Name: {name}")
98            print(f"Country Code: {country_code}")
99            print(f"About: {about[:100]}..." if about != "[Not available]" else "About: [Not available]")
100            print(f"Current Company: {current_company.get('name', '[Not available]')}")
101            print(f"Total Experience: {len(experience)} positions")
102
103        break
104
105    else:
106        print(f"Unexpected status: {status}")
107        break

Die API kann NDJSON (ein JSON-Objekt pro Zeile) oder ein einzelnes JSON-Objekt mit einem Statusfeld zurückgeben. Ihr Skript behandelt beide Fälle: Es überprüft den Status („building“, „running“, „ready“, „done“), wartet bei Bedarf und gibt strukturierte LinkedIn-Profildaten aus, sobald sie verfügbar sind.

So scrapen Sie LinkedIn-Unternehmensdaten

Sie können einen LinkedIn-Unternehmens-Scraper verwenden, um öffentliche Unternehmensdaten zu extrahieren, einschließlich Namen, Branchen, Größen, Standorten und Mitarbeiterzahlen. Wenn Sie keine Unternehmens-URLs haben, können Sie diese mithilfe einer Google-Suche-API-Abfrage wie site:linkedin.com/company/ [industry or keyword]. generieren.

Schritt 1: Scraping-Auftrag auslösen

1# trigger_companies.py
2import requests
3import json
4import os
5
6# Hidden secrets read from environment variables
7url = os.environ.get("BRIGHTDATA_TRIGGER_ENDPOINT", "BRIGHT_DATA_TRIGGER_ENDPOINT")
8API_KEY = os.environ.get("BRIGHTDATA_API_KEY", "YOUR_API_KEY_HERE")
9DATASET_ID = os.environ.get("BRIGHTDATA_DATASET_ID", "YOUR_DATASET_ID")
10
11headers = {
12    "Authorization": "Bearer " + API_KEY,
13    "Content-Type": "application/json",
14}
15
16params = {
17    "dataset_id": DATASET_ID,  # Get this from your Bright Data dashboard
18    "include_errors": "true",
19}
20
21company_urls = [
22    "https://www.linkedin.com/company/example-company-1",
23    "https://www.linkedin.com/company/example-company-2",
24    "https://www.linkedin.com/company/example-company-3",
25]
26
27data = [{"url": company_url} for company_url in company_urls]
28
29response = requests.post(url, headers=headers, params=params, json=data)
30
31print("Status Code:", response.status_code)
32print("\nResponse:")
33
34try:
35    result = response.json()
36    print(json.dumps(result, indent=4))
37except json.JSONDecodeError:
38    print("Could not get valid JSON response:")
39    print(response.text)

Wir authentifizieren uns mit unserem API-Token und geben die Datensatz-ID aus dem Bright Data-Dashboard an. Die LinkedIn-Unternehmens-URLs werden in das erforderliche JSON-Format konvertiert und zur Verarbeitung an die API übermittelt.

Sobald die Anfrage akzeptiert wurde, gibt die API eine Snapshot-ID zurück, die wir später verwenden, um die gescrapten Unternehmensdaten abzurufen. Eine grundlegende Fehlerbehandlung stellt sicher, dass das Skript entweder die Snapshot-ID anzeigt oder alle Anfrageprobleme zum Debuggen protokolliert.

Schritt 2: Gescrapte Daten abrufen

Sobald der Scraping-Auftrag ausgelöst wurde, verwenden Sie die Snapshot-ID, um den Status zu überprüfen und die Daten abzurufen.

1# retrieve_companies.py
2import requests
3import time
4import json
5import os
6
7snapshot_id = os.environ.get("BRIGHTDATA_SNAPSHOT_ID", "YOUR_SNAPSHOT_ID")
8url = f"{os.environ.get('BRIGHTDATA_SNAPSHOT_ENDPOINT', 'BRIGHT_DATA_SNAPSHOT_ENDPOINT')}/{snapshot_id}"
9headers = {
10    "Authorization": "Bearer " + os.environ.get("BRIGHTDATA_API_KEY", "YOUR_API_KEY_HERE")
11}
12
13while True:
14    response = requests.get(url, headers=headers)
15    raw_text = response.text.strip()
16
17    print(f"Status Code: {response.status_code}\n")
18
19    if response.status_code != 200:
20        print("Error:", raw_text)
21        break
22
23    try:
24        data = json.loads(raw_text)
25    except json.JSONDecodeError:
26        print("Processing JSONL format (multiple JSON objects)...\n")
27
28        for line in raw_text.splitlines():
29            line = line.strip()
30            if not line:
31                continue
32
33            try:
34                item = json.loads(line)
35
36                company_id = item.get("id", "[Not available]")
37                name = item.get("name", "[Not available]")
38                website = item.get("website", "[Not available]")
39                country_code = item.get("country_code", "[Not available]")
40                company_size = item.get("company_size", "[Not available]")
41                employees_in_linkedin = item.get("employees_in_linkedin", "[Not available]")
42                followers = item.get("followers", "[Not available]")
43                about = item.get("about", "[Not available]")
44                specialties = item.get("specialties", "[Not available]")
45                organization_type = item.get("organization_type", "[Not available]")
46
47                print("=" * 60)
48                print(f"ID: {company_id}")
49                print(f"Name: {name}")
50                print(f"Website: {website}")
51                print(f"Country: {country_code}")
52                print(f"Company Size: {company_size}")
53                print(f"Employees on LinkedIn: {employees_in_linkedin}")
54                print(f"Followers: {followers}")
55                print(f"Organization Type: {organization_type}")
56                if specialties and specialties != "[Not available]":
57                    print(f"Specialties: {specialties}")
58                if about and about != "[Not available]":
59                    print(f"About: {about[:150]}..." if len(about) > 150 else f"About: {about}")
60
61            except json.JSONDecodeError as e:
62                print(f"⚠ JSON parse error: {e}")
63            except Exception as e:
64                print(f"⚠ Error processing line: {e}")
65
66        print("\n" + "=" * 60)
67        print("✓ All companies processed successfully!")
68        break
69
70    status = data.get("status")
71
72    if status in ["building", "running"]:
73        print(f"Status: {status} - Waiting 5 seconds...")
74        time.sleep(5)
75        continue
76    elif status in ["ready", "done"]:
77        print("Data is ready! Processing items...\n")
78        for item in data.get("items", []):
79            company_id = item.get("id", "[Not available]")
80            name = item.get("name", "[Not available]")
81            website = item.get("website", "[Not available]")
82            country_code = item.get("country_code", "[Not available]")
83            company_size = item.get("company_size", "[Not available]")
84            employees_in_linkedin = item.get("employees_in_linkedin", "[Not available]")
85            followers = item.get("followers", "[Not available]")
86            about = item.get("about", "[Not available]")
87            specialties = item.get("specialties", "[Not available]")
88            organization_type = item.get("organization_type", "[Not available]")
89
90            print("=" * 60)
91            print(f"ID: {company_id}")
92            print(f"Name: {name}")
93            print(f"Website: {website}")
94            print(f"Country: {country_code}")
95            print(f"Company Size: {company_size}")
96            print(f"Employees on LinkedIn: {employees_in_linkedin}")
97            print(f"Followers: {followers}")
98            print(f"Organization Type: {organization_type}")
99            print(f"About: {about[:100]}..." if about != "[Not available]" else "About: [Not available]")
100
101        break
102    else:
103        print(f"Unexpected status: {status}")
104        break

Dieses Skript ruft die gescrapten Unternehmensdaten mithilfe der Snapshot-ID aus dem vorherigen Schritt ab. Es fragt die API kontinuierlich ab und unterstützt mehrere Antwortformate.

Zuerst validiert es den HTTP-Statuscode, um Fehler zu erkennen. Dann versucht es, die Antwort zu parsen, die in zwei Formaten vorliegen kann: JSONL (durch Zeilenumbruch getrennte JSON-Objekte) oder ein Standard-JSON-Objekt mit Statusinformationen.

Ist LinkedIn-Scraping im Jahr 2026 legal?

Der IAB KI Accountability for Publishers Act hat die Vorschriften verschärft. Plattformen wie LinkedIn können nun rechtliche Schritte gegen jeden einleiten, der bei der Datenerfassung für KI-Training oder groß angelegte Nutzung die No-Crawling-Regeln in robots.txt-Dateien ignoriert.

Öffentliches Scraping gilt nicht als „Hacking“, birgt jedoch jetzt ernsthafte rechtliche Risiken, wenn es gegen robots.txt-Regeln verstößt oder für invasives Profiling verwendet wird.

Die Nutzungsbedingungen von LinkedIn verbieten den automatisierten Zugriff auf die Plattform ohne Genehmigung.¹
Das Sammeln öffentlich zugänglicher Informationen von LinkedIn-Seiten (nicht hinter einer Anmeldung) kann jedoch in bestimmten Rechtsordnungen zulässig sein.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

LinkedIn-Scraper-Benchmark-Methodik

Der Benchmark sendet regelmäßig Anfragen an vordefinierte LinkedIn-Profile und Unternehmensseiten, um die Konsistenz und Latenz der Datenabfrage zu messen. Insgesamt werden 100 Profil-URLs und 100 Unternehmens-URLs in festen Intervallen abgefragt, und die Ergebnisse werden täglich aggregiert.

Anfragen werden alle 15 Minuten mit einem Timeout von 60 Sekunden ausgeführt, um eine regelmäßige Stichprobenentnahme zu gewährleisten und gleichzeitig die Ratenbegrenzung durch LinkedIn zu minimieren.

Eine Anfrage gilt als erfolgreich, wenn die Antwort LinkedIn-spezifische Felder wie „linkedin_id“, „headline“, „company_name“ oder „industry“ enthält. Der Erfolg wird in zwei Schritten validiert:

Zuerst durch Scannen nach diesen Identifikatoren,
Und dann erneutes Prüfen auf teilweise formatierte Inhalte, wenn keine direkte Übereinstimmung gefunden wird. Dieser zweistufige Prozess reduziert falsch-negative Ergebnisse, die durch geringfügige Layout- oder Formatierungsänderungen verursacht werden.

In unserem Benchmark haben wir die folgenden dedizierten APIs verwendet, die explizit zum Extrahieren von Daten aus LinkedIn entwickelt wurden. Weitere Informationen finden Sie in der Methodik zum Benchmark von Scraping-APIs.

Seitentyp	Bright Data	Apify
LinkedIn-Beitrag	LinkedIn Beiträge sammeln nach URL	supreme_coder/linkedin-post*
LinkedIn-Profil	LinkedIn Personen sammeln nach URL	dev_fusion/Linkedin-Profile-Scraper

* wird zu Referenzzwecken aufgeführt, wurde aber in unserem LinkedIn-Scraping-Benchmark nicht verwendet.

FAQs

Ein LinkedIn-Scraper ist ein Tool oder Skript, das automatisch öffentlich verfügbare Informationen aus LinkedIn-Profilen, Stellenangeboten oder Unternehmensseiten extrahiert. Diese Tools sind darauf ausgelegt, LinkedIn-Daten wie Namen, Titel, Firmennamen und Standorte zu crawlen, typischerweise über APIs oder automatisierte Skripte.

Sie können öffentlich sichtbare Daten wie Profilnamen, Firmennamen, Berufsbezeichnungen, Branchen und Beitragstexte scrapen. Vermeiden Sie das Sammeln privater oder sensibler Informationen (z. B. E-Mails oder Telefonnummern) und befolgen Sie stets die Nutzungsbedingungen von LinkedIn und die ethischen Richtlinien für Web-Scraping.

Zitieren Sie diesen Benchmark

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

Sedat Dogan and Gulbahar Karatas (2026) - "Die besten LinkedIn-Scraper". Online veröffentlicht auf AIMultiple.com. Abgerufen am 10. Juni 2026, von: https://aimultiple.com/linkedin-scrapers [Online-Ressource]

Dogan, S., & Karatas, G. (2026, 10. Juni). Die besten LinkedIn-Scraper. AIMultiple. https://aimultiple.com/linkedin-scrapers

@misc{dogan2026,
  author = {Dogan, Sedat and Karatas, Gulbahar},
  title  = {{Die besten LinkedIn-Scraper}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/linkedin-scrapers}},
  note   = {AIMultiple. Abgerufen am 10. Juni 2026}
}

Referenzlinks

User Agreement | LinkedIn

Sedat Dogan

CTO

Folgen auf

Sedat ist ein führender Experte für Technologie und Informationssicherheit mit Erfahrung in Softwareentwicklung, Web-Datenerfassung und Cybersicherheit. Sedat: – Verfügt über 20 Jahre Erfahrung als White-Hat-Hacker und Entwicklungsexperte mit umfassenden Kenntnissen in Programmiersprachen und Serverarchitekturen. – Berät Führungskräfte und Vorstandsmitglieder von Unternehmen mit hohem Datenverkehr und geschäftskritischen Technologieanwendungen wie Zahlungsinfrastruktur. – Besitzt neben seiner technischen Expertise auch ausgeprägtes betriebswirtschaftliches Verständnis.

Vollständiges Profil anzeigen

Recherchiert von

Gulbahar Karatas

Branchenanalystin

Folgen auf

Gülbahar ist eine Branchenanalystin von AIMultiple, die sich auf Webdatenerfassung, Anwendungen von Webdaten und Anwendungssicherheit konzentriert.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

LinkedIn-Scraper-API-Vergleich

LinkedIn-Scraping-Benchmark-Ergebnisse

API- und proxy-basierte LinkedIn-Scraper

Cookie-basierte LinkedIn-Automatisierungstools

E-Mail-Finder- und Erweiterungstools

Python-Tutorial: LinkedIn mit einer Scraper-API scrapen

Ist LinkedIn-Scraping im Jahr 2026 legal?

LinkedIn-Scraper-Benchmark-Methodik

FAQs

Zitieren Sie diesen Benchmark

Wir folgen ethischen Normen & unserem Prozess für Objektivität. Zu den Abonnenten der Benchmarking-Dienste von AIMultiple in Web-data-scraping gehört Bright Data, Apify.

Als nächstes lesen

Anwendungsfälle für Proxys

Benchmark

14. Aug

Die besten LinkedIn-Scraper

LinkedIn-Scraper-API-Vergleich

LinkedIn-Scraping-Benchmark-Ergebnisse

API- und proxy-basierte LinkedIn-Scraper

Bright Data

Funktionen:

Apify

Funktionen:

Nimble

Cookie-basierte LinkedIn-Automatisierungstools

Phantombuster

Funktionen:

Linked Helper

Funktionen:

Dripify

Funktionen:

E-Mail-Finder- und Erweiterungstools

Snov.io

Funktionen:

findthatlead

Funktionen:

Preise:

Evaboot

Python-Tutorial: LinkedIn mit einer Scraper-API scrapen

So scrapen Sie LinkedIn-Beiträge

Schritt 1: Scraping-Auftrag auslösen

Schritt 2: Gescrapte Daten abrufen

So scrapen Sie LinkedIn-Jobs mit Python

Schritt 1: Scraping-Auftrag auslösen

Schritt 2: Warten und Ergebnisse abrufen

So scrapen Sie LinkedIn-Profilseiten

Schritt 1: Scraping-Auftrag auslösen

Schritt 2: Gescrapte LinkedIn-Profildaten abrufen

So scrapen Sie LinkedIn-Unternehmensdaten

Schritt 1: Scraping-Auftrag auslösen

Schritt 2: Gescrapte Daten abrufen

Ist LinkedIn-Scraping im Jahr 2026 legal?

LinkedIn-Scraper-Benchmark-Methodik

FAQs

Was ist ein LinkedIn-Scraper?

Welche LinkedIn-Daten können Sie scrapen?

Zitieren Sie diesen Benchmark

Link mit QuellenangabeHTML, für Blogbeiträge, LinkedIn-Artikel und Newsletter. Empfohlen.

APA 7. AusgabeFür wissenschaftliche Arbeiten und Analystenberichte im APA-7-Stil.

BibTeXFür LaTeX-Dokumente und akademische Literaturverwaltungen.

Referenzlinks

Seien Sie der Erste, der kommentiert

Als nächstes lesen

Top Google Proxys: Benchmark

Proxy-Standorte: Proxys nach Land, Stadt und Region

Beste Hochgeschwindigkeits-Proxys basierend auf unserem Benchmark

Decodo Bewertung: Preise, Geschwindigkeit & Erfolgsquoten

DataImpulse Proxy-Dienste: Funktionen & Preise

Wir haben die besten UK-Proxys getestet

Bright Data

Apify

Nimble

Phantombuster

Linked Helper

findthatlead