Benchmark

Die besten LinkedIn-Scraper

mit

aktualisiert am 2. Sept. 2026

Wir haben die besten LinkedIn-Scraper-Tools mit 9.000 Anfragen für Beiträge, Profile und Stellenanzeigen getestet. Dieser Leitfaden behandelt zwei Hauptbereiche:

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

Anbieter

Fokus

Bright Data

Dedizierte, großvolumige und kostengünstige API-Lösung

Apify

Marktführendes Angebot an Scraping-APIs (Community-basierter Ansatz)

Linked Helper

Desktop-App für Einzelnutzer

Vergleich der LinkedIn-Scraper-APIs

LinkedIn-Scraper	Typ	Zweck	Einstiegspreis/Monat	Kostenlose Testphase
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 Credits, 100 E-Mail-Empfänger
FindThatLead	Browser-Erweiterung	LinkedIn-Automatisierungsplattform	49€	50 Credits

Ergebnisse des LinkedIn-Scraping-Benchmarks

Dieses Diagramm vergleicht die täglichen Erfolgsraten der 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 großvolumiges, 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 kein eigenes Konto verwenden, daher besteht kein Risiko, 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 Profiles API, Post API und Company API, die jeweils auf Genauigkeit und Compliance optimiert sind. Die Plattform bietet außerdem LinkedIn-Datensätze, die auf bestimmte LinkedIn-Anwendungsfälle zugeschnitten sind.

Funktionen:

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

Apify

Apify bietet eine Reihe vorgefertigter Actors, die auf Web-Scraping bei 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 mit LinkedIn-Scrapern, die von Community-Entwicklern erstellt wurden und jeweils an spezifische Scraping-Anforderungen angepasst werden können.
Automatisierung: Verknüpfen Sie mehrere Actors oder integrieren Sie externe Tools über APIs. Jeder Actor unterstützt Verbindungen zum MCP-Server, sodass Nutzer verschiedene Scraping-Actors verwalten und mit ihnen kommunizieren können.

Nimble

ScraperAPI ist eine verwaltete Proxy- und Web-Scraping-Infrastruktur mit dediziertem Support für die Extraktion von LinkedIn-Daten. Statt einen vorgefertigten LinkedIn-Datensatz bereitzustellen, übernimmt sie 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 Stellenanzeigen.

Cookie-basierte Tools verwenden Ihren Browser-Cookie, um Daten zu extrahieren. Sie werden für die Sammlung kleiner, nicht kritischer Datenmengen verwendet, insbesondere wenn Nutzer 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 er menschliches Verhalten nachahmt, ist das Scraping langsamer als bei Tools, die ihre eigene Infrastruktur nutzen. Sie eignen sich nicht für großvolumige Datenextraktionsaufgaben.
Riskant: Wenn LinkedIn verdächtige Aktivitäten erkennt, drohen Ihnen möglicherweise vorübergehende Einschränkungen oder eine dauerhafte Sperre durch LinkedIn.

Phantombuster

PhantomBuster bietet einen LinkedIn-Profil-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 Nutzern, Daten aus LinkedIn zu extrahieren, ohne lokale Ressourcen zu verwenden.

Linked Helper

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

Funktionen:

Automatisiertes Profil-Verbinden: Besucht LinkedIn-Profile und sendet personalisierte Nachrichten.
Daten-Scraping: Bietet einen Datenextraktor zum Sammeln von Daten aus LinkedIn-Profilen und aus Sales Navigator. 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 bei der Automatisierung von Aufgaben auf der Plattform unterstützt. Es bietet einen LinkedIn-Scraper, mit dem Nutzer auf LinkedIn-Lead-Daten zugreifen und diese in eine CSV-Datei exportieren können.

Funktionen:

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

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

Einen Prozess automatisieren

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 für den gesamten Outreach-Zyklus bietet. Der LinkedIn Email Finder von Snov.io 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 den Suchergebnissen von LinkedIn Sales Navigator sammeln.

LinkedIn-Automatisierungsanbieter wie PhantomBuster, Linked Helper und Dripify bieten vorgefertigte Skripte. Wenn Ihr Unternehmen LinkedIn-Automatisierung benötigt, aber keine E-Mail-Lösung hat, kann Snov.io ausreichend sein. Der kostenlos Plan (50 Credits) ist großzügig.

Funktionen:

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

findthatlead

FindThatLead ist eine cloudbasierte B2B-Plattform für Lead-Generierung und E-Mail-Verifizierung. Die Plattform bietet eine Chrome-Erweiterung, mit der Nutzer E-Mail-Adressen aus LinkedIn-Profilen und Websites extrahieren können. Es ist keine kostenlos Lösung und erfordert Credits aus Ihrem eigenen FindThatLead-Konto.

Funktionen:

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

Preise:

Einstiegspreis (Monat): $49 (2000 E-Mail-Credits)
Testphase: 50 E-Mail-Credits, einschließlich der Chrome-Erweiterung.

Evaboot

Evaboot ist ein Chrome-basiertes Automatisierungstool, das Lead-Daten direkt aus LinkedIn Sales Navigator exportiert. Statt 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 großvolumiges Scraping oder automatisierte Planung.

Funktionen

Native Sales Navigator-Integration: Ruft Namen, Berufsbezeichnungen, Unternehmensnamen, 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 kostenlos Testphase.
Bietet Pay-per-Export-Optionen für kleine Teams.

Python-Tutorial: LinkedIn mit einer Scraper-API scrapen

Jedes Beispiel folgt demselben Muster: Sie senden die Ziel-LinkedIn-URL an die LinkedIn-Scraper-API von Bright Data 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 API-Endpunkt von Bright Data, um den Scraping-Prozess zu starten. Dasselbe Muster gilt später in diesem Leitfaden für das Scraping von Profilen, Stellen und Unternehmen.

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 LinkedIn-Scraper-API von Bright Data, um den Scraping-Auftrag zu initiieren. 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 im Hintergrund Proxy-Rotation, CAPTCHA-Lösung und Anfragevalidierung übernimmt. 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. Secrets 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 API von Bright Data ab, um den Auftragsstatus zu prüfen, bis der Scraping-Prozess abgeschlossen ist.

Die Antwort der API 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 prüfen Sie das Statusfeld: Wenn es „building“ lautet, warten Sie einige Sekunden und versuchen es erneut, bis es „done“ lautet. Sobald der Vorgang abgeschlossen ist, können Sie die strukturierten LinkedIn-Beitragsdaten extrahieren und anzeigen.

So scrapen Sie LinkedIn-Stellen mit Python

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

Dieser Ansatz eignet sich ideal zum Aufbau von Jobbörsen, für die Personalanalyse oder für Tools zur Gehaltsrecherche.

Schritt 1: Scraping-Auftrag auslösen

Das folgende Skript sendet eine POST-Anfrage an die API von Bright Data, um einen LinkedIn-Stellen-Scraping-Auftrag zu starten. Jede Stellen-URL wird an den Datensatz LinkedIn_jobs übergeben, der automatisch Proxy-Rotation und den Anti-Bot-Schutz von LinkedIn 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-Stellen-Scraping-Prozess, indem es eine POST-Anfrage an die API von Bright Data sendet. Wir authentifizieren uns mit unserem API-Schlüssel und geben die ID des LinkedIn Jobs-Datensatzes an.

Die Suchkriterien legen fest, welche Positionen gescrapt werden sollen, z. B. Softwareentwickler in Hybrid-Positionen 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 in der Cloud-Infrastruktur von Bright Data ausgeführt werden, läuft der Prozess auch dann weiter, 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-Stellen-Scraping-Prozess abgeschlossen ist, rufen wir die strukturierten Daten mithilfe der vom Trigger-Auftrag zurückgegebenen Snapshot-ID ab. Die Antwort liegt in der Regel im NDJSON-Format vor, wobei jede Zeile eine separate Stellenanzeige darstellt.

Wir parsen jeden Eintrag und extrahieren wichtige Informationen wie Berufsbezeichnung, Unternehmensname, Standort, Beschäftigungsart und Veröffentlichungsdatum. Bei einzelnen JSON-Antworten prüft das Skript das Statusfeld und wartet, bis es „done“ lautet, um sicherzustellen, dass alle LinkedIn-Stellendaten vollständig verarbeitet wurden. Das Skript verwendet außerdem .get() mit Standardwerten, um fehlende Felder elegant zu behandeln.

So scrapen Sie LinkedIn-Profilseiten

Sie möchten LinkedIn-Profile möglicherweise für mehrere legitime Anwendungsfälle scrapen, z. B. um Mitarbeiter eines bestimmten Unternehmens zu analysieren, eine Rekrutierungsdatenbank anzureichern oder eine Liste von LinkedIn-Profil-URLs zu verarbeiten, 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 die API von Bright Data, 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 Dictionary-Objekte 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 eventuelle 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 prüft den Status („building“, „running“, „ready“, „done“), wartet bei Bedarf und gibt die strukturierten LinkedIn-Profildaten aus, sobald sie verfügbar sind.

So scrapen Sie LinkedIn-Unternehmensdaten

Sie können einen LinkedIn-Unternehmens-Scraper verwenden, um öffentliche Unternehmensdaten wie Namen, Branchen, Größen, Standorte und Mitarbeiterzahlen zu extrahieren. Wenn Sie keine Unternehmens-URLs haben, können Sie diese mithilfe einer Google Search 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 fügen die Datensatz-ID aus dem Bright Data-Dashboard hinzu. Die LinkedIn-Unternehmens-URLs werden in das erforderliche JSON-Format konvertiert und zur Verarbeitung an die API übermittelt.

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

Schritt 2: Gescrapte Daten abrufen

Sobald der Scraping-Auftrag ausgelöst wurde, verwenden Sie die Snapshot-ID, um den Status zu prüfen 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 Zeilenumbrüche getrennte JSON-Objekte) oder ein Standard-JSON-Objekt mit Statusinformationen.

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

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 die No-Crawling-Regeln in robots.txt-Dateien ignoriert, wenn Daten für KI-Training oder großvolumige Nutzung gesammelt werden.

Öffentliches Scraping gilt nicht als „Hacking“, birgt jedoch 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 Erlaubnis.¹
Das Sammeln öffentlich zugänglicher Informationen von LinkedIn-Seiten (nicht hinter einer Anmeldung) kann jedoch in bestimmten Rechtsordnungen zulässig sein.

Methodik des LinkedIn-Scraper-Benchmarks

Der Benchmark sendet in regelmäßigen Abständen 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 Stichprobenerhebung zu gewährleisten und gleichzeitig das Rate-Limiting 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 das Scannen nach diesen Kennungen,
Und dann durch erneutes Prüfen auf teilweise formatierte Inhalte, wenn keine direkte Übereinstimmung gefunden wird. Dieser doppelte Prozess reduziert falsche Negativmeldungen, die durch geringfügige Layout- oder Formatierungsänderungen verursacht werden.

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

Seitentyp	Bright Data	Apify
LinkedIn-Beitrag	LinkedIn posts-collect by URL	supreme_coder/linkedin-post*
LinkedIn-Profil	LinkedIn people-collect by URL	dev_fusion/Linkedin-Profile-Scraper

* wird als Referenz aufgeführt, wurde aber in unserem LinkedIn-Scraping-Benchmark nicht verwendet.

FAQs

Ein LinkedIn-Scraper ist ein Tool oder Skript, das automatisch öffentlich zugängliche Informationen aus LinkedIn-Profilen, Stellenanzeigen oder Unternehmensseiten extrahiert. Diese Tools sind darauf ausgelegt, LinkedIn-Daten wie Namen, Berufsbezeichnungen, Unternehmensnamen und Standorte zu crawlen, in der Regel über APIs oder automatisierte Skripte.

Sie können öffentlich sichtbare Daten wie Profilnamen, Unternehmensnamen, 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 sowie ethische 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 Nazlı Şipi (2026) - "Die besten LinkedIn-Scraper". Online veröffentlicht auf AIMultiple.com. Abgerufen am 2. September 2026, von: https://aimultiple.com/linkedin-scrapers [Online-Ressource]

Dogan, S., & Şipi, N. (2026, 2. September). Die besten LinkedIn-Scraper. AIMultiple. https://aimultiple.com/linkedin-scrapers

@misc{dogan2026,
  author = {Dogan, Sedat and Şipi, Nazlı},
  title  = {{Die besten LinkedIn-Scraper}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/linkedin-scrapers}},
  note   = {AIMultiple. Abgerufen am 2. September 2026}
}

Alle Daten herunterladen

Ergebnisse und Zeitstempel von 10 Datenpunkten. Laden Sie die in diesem Artikel verwendeten Daten als ZIP-Datei herunter, die 2 CSV-Dateien enthält.

Zuletzt aktualisiert: 17. August 2026

Herunterladen

Änderungsprotokoll

15 Aktualisierungen

20269. Feb
Ein Abschnitt, der Apify und Bright Data vergleicht, wurde dem Vorwort hinzugefügt.
202525. Nov
Ein Diagramm wurde zum Abschnitt „LinkedIn Scraper APIs Benchmark-Ergebnisse“ hinzugefügt.
24. Okt
Evaboot und Python-Codebeispiele zum Artikel hinzugefügt.
4. Aug
NetNut B2B Data Scraper API zur Liste der LinkedIn Scraper hinzugefügt.
24. Apr
Der Abschnitt „Beste LinkedIn-Scraping-Tools“ wurde aktualisiert.
2. Apr
Apify als Produkt im Abschnitt „Preise für die besten LinkedIn-Scraping-Tools“ hinzugefügt.
27. Feb
Der Abschnitt „Benchmark-Methodik“ wurde entfernt.
17. Feb
Zyte aus der Liste der LinkedIn-Scraping-Tools entfernt.
9. Jan
Zyte zur Liste der LinkedIn Scraping-Tools hinzugefügt.
2. Jan
Drei Anwendungsfälle für LinkedIn-Daten wurden dem Artikel hinzugefügt.
202412. Dez
Der Abschnitt „Die 6 besten LinkedIn Scraping Tools“ wurde entfernt.
10. Okt
Der Abschnitt „Benchmark-Methodik“ wurde entfernt.
10. Okt
Ein Abschnitt zur Benchmark-Methodik wurde hinzugefügt.
23. Sep
Die Beschreibung von Bright Data in der Übersichtstabelle aktualisiert.
23. Sep
Der Methodik-Abschnitt wurde um Details zu den Benchmarking-Scrapern und Testparametern erweitert.

Referenzlinks

User Agreement | LinkedIn

Sedat Dogan

CTO

Folgen auf

Sedat ist eine Führungskraft im Bereich Technologie und Informationssicherheit mit 20 Jahren Erfahrung in Softwareentwicklung, Netzwerkinfrastruktur und Cybersicherheit. Sedat:
- Verfügt über 20 Jahre Erfahrung als White-Hat-Hacker und Entwicklungsguru mit umfassender Expertise in Programmiersprachen und Serverarchitekturen.
- Ist Beiratsmitglied bei einer VC, die in frühphasige Technologieunternehmen investiert, und bei Ödeal, einer regionalen digitalen Zahlungsplattform, die 125.000 Händler bedient.
- Hat die technologische Infrastruktur und Cybersicherheit von sieben nationalen Wahlen geleitet und wurde von globalen Technologieführern wie Twitter in die Hall of Fame für Cybersicherheit aufgenommen.

Vollständiges Profil anzeigen

Recherchiert von

Nazlı Şipi

KI-Forscherin

Nazlı ist Datenanalystin bei AIMultiple. Sie hat bereits Erfahrung in der Datenanalyse in verschiedenen Branchen, wo sie daran arbeitete, komplexe Datasets in umsetzbare Erkenntnisse zu verwandeln.

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.

Vergleich der LinkedIn-Scraper-APIs

Ergebnisse des LinkedIn-Scraping-Benchmarks

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?

Methodik des LinkedIn-Scraper-Benchmarks

FAQs

Zitieren Sie diesen Benchmark

Änderungsprotokoll

Wir folgen ethischen Normen & unserem Prozess für Objektivität. Auf dieser Seite werden keine Abonnenten der Benchmarking-Dienste von AIMultiple erwähnt.

Als nächstes lesen

Web-Data-Scraping

Open-World-Bewertung

21. Aug

Die besten LinkedIn-Scraper

Vergleich der LinkedIn-Scraper-APIs

Ergebnisse des LinkedIn-Scraping-Benchmarks

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-Stellen 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?

Methodik des LinkedIn-Scraper-Benchmarks

FAQs

Was ist ein LinkedIn-Scraper?

Welche LinkedIn-Daten kann man 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 5 Home-Depot-Scraper im Benchmark & Vergleich

eBay Scraping: Top 6 Anbieter im Vergleich

Top 6 der besten Immobilien-Scraper: Bright Data, Apify & Oxylabs

KI-Halluzinationserkennungstools: W&B Weave & Comet

LLM Observability-Tools: Weights & Biases, Langsmith

Top 10+ agentische Orchestrierungs-Frameworks & Tools

Bright Data

Apify

Nimble

Phantombuster

Linked Helper

findthatlead