Benchmark

Os Melhores Raspadores do LinkedIn

com

atualizado em 2 set. 2026

Fizemos benchmark das melhores ferramentas de raspador do LinkedIn usando 9.000 solicitações em posts, perfis e vagas de emprego. Este guia aborda duas áreas principais:

Comparação dos principais raspadores de dados do LinkedIn
Tutorial de Python para extrair posts, perfis, empresas e vagas do LinkedIn.

Fornecedor

Foco

Bright Data

Solução API dedicada, em grande escala e de baixo custo

Apify

Linha líder de mercado de APIs de raspagem (abordagem orientada pela comunidade)

Linked Helper

Aplicativo de desktop para usuários individuais

Comparação de API de raspador do LinkedIn

Raspadores do LinkedIn	Tipo	Finalidade	Preço inicial/mês	Teste grátis
Bright Data	Baseado em proxy	Plataforma de coleta de dados	$1,5 / 1K solicitações	Grátis 5k registros por mês
Apify	Baseado em cookie Baseado em proxy	Plataforma de coleta de dados	$30	3 dias
Nimbleway	Baseado em proxy	Plataforma de coleta de dados	$150	7 dias
Dripify	Baseado em proxy	Plataforma de automação do LinkedIn	$39	7 dias
Linked Helper	Baseado em proxy	Plataforma de automação do LinkedIn	$15	14 dias
PhantomBuster	Baseado em cookie	Plataforma de automação do LinkedIn	69€	14 dias
Snov.io	Extensão de navegador	Plataforma de automação do LinkedIn	$39	50 créditos, 100 destinatários de e-mail
FindThatLead	Extensão de navegador	Plataforma de automação do LinkedIn	49€	50 créditos

Resultados de benchmark de raspagem do LinkedIn

Este gráfico compara as taxas diárias de sucesso das APIs de raspador do LinkedIn com base em testes ao vivo realizados a cada 15 minutos:

API e raspadores do LinkedIn baseados em proxy

Os raspadores do LinkedIn baseados em proxy usam sua própria infraestrutura de proxy, incluindo endereços IP e servidores, para extrair dados do LinkedIn em escala. Essas APIs enviam solicitações por meio de uma rede de proxy gerenciada.

Essa é a abordagem certa para alto volume, raspagem confiável do LinkedIn porque:

Rápido: Como o raspador depende de vários perfis ao raspar os dados, ele pode raspar mais rapidamente
Confiável: Se o site de destino banir um perfil ou endereço IP, o provedor muda para outro para continuar as operações.
Seguro: A pessoa que solicita a raspagem não precisa usar a própria conta, portanto não há risco de seu perfil ser banido.

Bright Data

Bright Data fornece uma API dedicada de raspador web do LinkedIn, projetada para extração estruturada de dados de páginas públicas do LinkedIn. O conjunto de APIs inclui Perfis API, Post API e Empresa API, cada uma otimizada para precisão e conformidade. A plataforma também oferece datasets do LinkedIn adaptados a casos de uso específicos do LinkedIn.

Recursos:

Descoberta: Você pode obter dados do LinkedIn usando uma palavra-chave específica, como nome e sobrenome, filtros de data ou localização da vaga.
Raspagem em tempo real: Permite que os usuários obtenham as informações mais atuais disponíveis no LinkedIn.
Suporte a proxy integrado: As APIs do LinkedIn incluem suporte a proxy integrado.

Apify

Apify oferece uma variedade de Actors pré-criados, adaptados para raspagem web no LinkedIn. As ferramentas populares de raspagem do LinkedIn incluem Job Scraper, Sales Navigator Scraper, Company Scraper, Profile Scraper, Post Scraper e Ads Scraper.

Recursos:

Actors personalizáveis (Web scrapers pré-criados): Um mercado de raspadores do LinkedIn criados por desenvolvedores da comunidade, cada um adaptável a necessidades específicas de raspagem.
Automação: Vincule vários Actors ou integre com ferramentas externas por meio de APIs. Cada Actor suporta conexões com o servidor MCP, permitindo que os usuários gerenciem e se comuniquem com vários Actors de raspagem.

Nimble

ScraperAPI é uma infraestrutura gerenciada de proxy e raspagem web que inclui suporte dedicado para extração de dados do LinkedIn. Em vez de fornecer um dataset do LinkedIn pré-criado, ela cuida do processo de raspagem, incluindo rotação de IP, resolução de CAPTCHA e gerenciamento de cabeçalhos.

Recursos

Suporte a solicitações simultâneas: escale milhares de solicitações por minuto.
Modelos específicos para o LinkedIn para perfis, empresas e páginas de vagas.

As ferramentas baseadas em cookie usam o cookie do seu navegador para extrair dados. Elas são usadas para coleta de dados de baixo volume e não crítica, especialmente se os usuários forem clientes dessas ferramentas de automação e não incorrerem em custos adicionais.

Essas ferramentas de automação precisam “agir” em seu nome para realizar tarefas nas redes sociais:

O LinkedIn define um cookie de sessão quando você faz login.
Você passa esse cookie para a ferramenta.
A ferramenta usa o cookie para coletar dados e realizar ações, como solicitações de conexão.

Essa abordagem é:

Lento: Como ela emula o comportamento humano, a raspagem é mais lenta do que com ferramentas que usam a própria infraestrutura. Elas não são adequadas para tarefas de extração de dados em grande escala.
Arriscado: Se o LinkedIn detectar atividade suspeita, você poderá enfrentar restrições temporárias ou banimento permanente do LinkedIn.

Phantombuster

PhantomBuster oferece um raspador de perfis do LinkedIn e um raspador de empresas para raspar dados públicos da plataforma.

Recursos:

Dados atualizados do LinkedIn: Você pode configurar a ferramenta de raspagem do LinkedIn para ser executada repetidamente e extrair dados diariamente.
Extensão para Firefox e Chrome: O extrator de dados do LinkedIn está disponível como extensão.
Baseado em nuvem: Executa nos servidores remotos, permitindo que os usuários extraiam dados do LinkedIn sem usar recursos locais.

Linked Helper

Linked Helper é uma plataforma de automação do LinkedIn baseada em desktop que também inclui funcionalidade de raspagem do LinkedIn. A ferramenta não exige proxies por padrão, mas permite que os usuários configurem proxies por conta do LinkedIn manualmente.

Recursos:

Conexão automatizada de perfis: Visita perfis do LinkedIn e envia mensagens personalizadas.
Raspagem de dados: Oferece um extrator de dados para coletar dados de perfis do LinkedIn e do Sales Navigator. Você pode obter os dados coletados em formato CSV.
CRM integrado: Todos os contatos são armazenados em um CRM integrado no Linked Helper. Se você usar um CRM externo, poderá enviar dados para esses CRMs.

Dripify

Dripify é uma ferramenta de automação do LinkedIn que ajuda profissionais de vendas a automatizar tarefas na plataforma. Eles fornecem um raspador do LinkedIn que permite aos usuários acessar dados de leads do LinkedIn e exportá-los para um arquivo CSV.

Recursos:

Endereço IP local: Fornece um endereço IP exclusivo da região local do usuário, permitindo que os usuários acessem sites como se estivessem localizados em diferentes áreas geográficas.
Simulação de comportamento humano: Imita as ações de um usuário real ao interagir com o LinkedIn. Adiciona atrasos de tempo aleatórios entre as solicitações e simula cliques do usuário em links ou botões para ajudar você a parecer mais um usuário genuíno.

Deixe nossa equipe automatizar um dos seus processos de negócio com agentes de IA, gratuitamente.

Automatizar um processo

Ferramentas de localização de e-mail e extensões

Elas são executadas dentro do navegador e têm como alvo a captura de e-mails e leads, em vez de raspagem em grande escala. São adequadas para tarefas pequenas e quebram se o navegador ou o layout da página mudar.

Snov.io

Snov.io é uma plataforma de engajamento de vendas baseada em extensão do Chrome que fornece soluções em todo o ciclo de prospecção. O LinkedIn Email Finder do Snov.io extrai mecanicamente endereços de e-mail de um perfil do LinkedIn ou página de resultados de pesquisa.

É fundamental observar que o Snov.io não é uma ferramenta dedicada de raspagem do LinkedIn; ele pode raspar endereços de e-mail. Você pode coletar e-mails em massa nas páginas de pesquisa de pessoas do LinkedIn e nos resultados de pesquisa do LinkedIn Sales Navigator.

Provedores de automação do LinkedIn, como PhantomBuster, Linked Helper e Dripify, fornecem scripts pré-criados. Se sua organização precisa de automação do LinkedIn, mas não tem uma solução de e-mail, o Snov.io pode ser suficiente. O plano gratuito (50 créditos) é generoso.

Recursos:

Localizador de e-mail: Descobre endereços de e-mail com base em entradas de nome, empresa e domínio. O Snov.io também oferece extensões do Chrome para geração de leads (“clique e colete”). Você pode extrair e-mails do LinkedIn e dos mecanismos de busca do Google.
Verificador de e-mail: Oferece uma ferramenta de verificação de e-mail de 7 níveis, verificando endereços com 98% de precisão. Lembre-se de que a verificação consome créditos, um crédito por verificação.

findthatlead

FindThatLead é uma plataforma B2B de geração de leads e verificação de e-mail baseada em nuvem. A plataforma oferece uma extensão do Chrome que permite aos usuários extrair endereços de e-mail de perfis do LinkedIn e de sites. Não é uma solução gratuito e exige créditos da sua própria conta FindThatLead.

Recursos:

Localizador e Verificador de E-mail: Você pode receber e-mails do LinkedIn e de outros sites que incluem informações adicionais, como seu nome, endereço de e-mail e cargo.
Envio de E-mail e Campanhas de Gotejamento: O Email Sender é uma ferramenta gratuito que permite personalizar mensagens para cada destinatário.

Preços:

Preço inicial (mês): $49 (2000 créditos de e-mail)
Teste: 50 créditos de e-mail, incluindo a extensão do Chrome.

Evaboot

Evaboot é uma ferramenta de automação baseada no Chrome que exporta dados de leads diretamente do LinkedIn Sales Navigator. Em vez de raspar por meio de proxies, ela aproveita sua própria sessão do Sales Navigator para coletar e limpar dados visíveis de leads. Mas não é adequada para raspagem em grande escala ou agendamento automatizado.

Recursos

Integração nativa com o Sales Navigator: Extrai nomes, cargos, nomes de empresas, setores e localizações dos resultados de pesquisa do Sales Navigator.
Limpeza de dados: Remove automaticamente duplicatas, links quebrados e perfis incompletos.

Preços:

Começa em $49/mês com um teste gratuito de 7 dias.
Oferece opções de pagamento por exportação para equipes pequenas.

Tutorial de Python: raspe o LinkedIn com uma API de scraper

Cada exemplo segue o mesmo padrão: você envia a URL de destino do LinkedIn para a Bright Data LinkedIn Scraper API e recebe dados estruturados (JSON ou CSV) em troca.

Pré-requisitos

Você precisa de algumas etapas de configuração para começar:

Python 3.x está instalado no seu sistema
biblioteca requests (pip install requests)
conta da Bright Data com o LinkedIn dataset habilitado

Como raspar posts do LinkedIn

Etapa 1: Acionar o trabalho de raspagem

Envie uma URL de post do LinkedIn para o endpoint da Bright Data API para iniciar o processo de raspagem. O mesmo padrão se aplica à raspagem de perfis, vagas e empresas mais adiante neste guia.

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)

Este script Python envia uma solicitação POST para a Bright Data LinkedIn Scraper API para iniciar o trabalho de raspagem. Nós nos autenticamos usando nossa chave de API e especificamos o ID do dataset. “

Cada URL de post do LinkedIn é passada como um objeto JSON e enviada para a API, que cuida da rotação de proxy, resolução de CAPTCHA e validação de solicitações em segundo plano. A API retorna um ID de snapshot exclusivo, que você usará mais tarde para recuperar os dados raspados do LinkedIn.

Etapa 2: Recuperar os dados raspados

Use o ID do snapshot retornado pelo trabalho de acionamento. Segredos e endpoints são lidos das variáveis de ambiente.

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

Este script recupera os dados raspados do LinkedIn usando o ID do snapshot retornado pelo trabalho de acionamento. Ele consulta a Bright Data API para verificar o status do trabalho até que o processo de raspagem seja concluído.

A resposta da API pode ser um único objeto JSON (com status) ou vários objetos JSON no formato NDJSON. Para respostas NDJSON, analise cada linha e extraia os registros de posts; para respostas JSON únicas, verifique o campo de status: se estiver “building”, aguarde alguns segundos e tente novamente até que fique “done”. Uma vez concluído, você pode extrair e exibir os dados estruturados do post do LinkedIn.

Como raspar vagas do LinkedIn com Python

Aprenda a raspar vagas do LinkedIn usando Python e a API do LinkedIn Scraper. Você pode extrair dados estruturados de vagas, incluindo títulos, empresas, localizações, datas de publicação e descrições de vagas, diretamente de URLs de vagas do LinkedIn.

Essa abordagem é ideal para criar quadros de vagas, análises de recrutamento ou ferramentas de pesquisa salarial.

Etapa 1: Acionar o trabalho de raspagem

O script abaixo envia uma solicitação POST para a Bright Data API para iniciar uma tarefa de raspagem de vagas do LinkedIn. Cada URL de vaga é passada para o dataset LinkedIn_jobs, que cuida automaticamente da rotação de proxy e da proteção antibot do LinkedIn.

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']}")

Este script inicia o processo de raspagem de vagas do LinkedIn enviando uma solicitação POST para a Bright Data API. Nós nos autenticamos usando nossa chave de API e especificamos o ID do dataset LinkedIn Jobs.

Os critérios de pesquisa definem quais cargos raspar. Por exemplo, engenheiros de software em posições híbridas ou analistas de dados em funções remotas em Nova York.

A API retorna um ID de snapshot que pode ser usado para recuperar os resultados quando a raspagem for concluída. Como todas as tarefas de raspagem são executadas na infraestrutura de nuvem da Bright Data, o processo continua mesmo que você feche seu script Python.

Etapa 2: Aguarde e recupere os resultados

Aguarde de 5 a 10 minutos para a raspagem ser concluída e, em seguida, use este script para recuperar os dados:

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}")

Quando o processo de raspagem de vagas do LinkedIn for concluído, recuperamos os dados estruturados usando o ID do snapshot retornado pelo trabalho de acionamento. A resposta normalmente está no formato NDJSON, onde cada linha representa uma vaga separada.

Analisamos cada entrada e extraímos informações-chave, incluindo cargo, nome da empresa, localização, tipo de emprego e data de publicação. Para respostas JSON únicas, o script verifica o campo de status e aguarda até que seja igual a “done”, garantindo que todos os dados de vagas do LinkedIn sejam totalmente processados. O script também usa .get() com valores padrão para lidar graciosamente com quaisquer campos ausentes.

Como raspar páginas de perfil do LinkedIn

Você pode querer raspar perfis do LinkedIn para vários casos de uso legítimos. Por exemplo, analisar funcionários de uma empresa específica, enriquecer um banco de dados de recrutamento ou processar uma lista de URLs de perfis do LinkedIn coletadas em um evento de networking.

Etapa 1: Acionar o trabalho de raspagem

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)

Este script envia uma solicitação POST para a Bright Data API para começar a raspar os perfis do LinkedIn especificados. Nós nos autenticamos com nosso token de API e fornecemos o ID do dataset (disponível no painel da Bright Data sob o dataset LinkedIn People).

As URLs dos perfis são formatadas como objetos de dicionário e enviadas para a API, que as processa e retorna um ID de snapshot para recuperar os dados posteriormente. O bloco try-except trata a resposta e exibe o ID do snapshot ou quaisquer erros.

Etapa 2: Recuperar os dados raspados do perfil do LinkedIn

Use o ID do snapshot retornado na Etapa 1 para consultar a API do LinkedIn Scraper até que o trabalho termine e, em seguida, analise a resposta.

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

A API pode retornar NDJSON (um objeto JSON por linha) ou um único objeto JSON com um campo de status. Seu script lida com ambos: verifica o status (“building”, “running”, “ready”, “done”), aguarda quando necessário e imprime os dados estruturados do perfil do LinkedIn quando disponíveis.

Como raspar dados de empresas do LinkedIn

Você pode usar um raspador de empresas do LinkedIn para extrair dados públicos de empresas, incluindo nomes, setores, tamanhos, localizações e número de funcionários. Se você não tiver URLs de empresas, poderá gerá-las usando uma consulta da Google Search API, como site:linkedin.com/company/ [industry or keyword].

Etapa 1: Acionar o trabalho de raspagem

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)

Nós nos autenticamos usando nosso token de API e incluímos o ID do dataset do painel da Bright Data. As URLs de empresas do LinkedIn são convertidas no formato JSON necessário e enviadas para a API para processamento.

Quando a solicitação é aceita, a API retorna um ID de snapshot que usaremos mais tarde para recuperar os dados raspados da empresa. O tratamento básico de erros garante que o script exiba o ID do snapshot ou registre quaisquer problemas de solicitação para depuração.

Etapa 2: Recuperar os dados raspados

Depois que o trabalho de raspagem for acionado, use o ID do snapshot para verificar o status e recuperar os dados.

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

Este script busca os dados raspados da empresa usando o ID do snapshot da etapa anterior. Ele consulta continuamente a API e suporta vários formatos de resposta.

Primeiro, ele valida o código de status HTTP para detectar quaisquer erros. Depois, tenta analisar a resposta, que pode vir em dois formatos: JSONL (objetos JSON delimitados por nova linha) ou um objeto JSON padrão com informações de status.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

A raspagem do LinkedIn é legal em 2026?

A Lei de Responsabilidade de IA para Editores da IAB endureceu as regulamentações. Agora, plataformas como o LinkedIn podem tomar medidas legais contra qualquer pessoa que ignore as regras de não rastreamento nos arquivos robots.txt ao coletar dados para treinamento de IA ou uso em grande escala.

A raspagem pública não é considerada “hacking”, mas agora apresenta sérios riscos legais se violar as regras do robots.txt ou for usada para criação de perfis invasivos.

Os Termos de Serviço do LinkedIn proíbem o acesso automatizado à sua plataforma sem permissão.¹
No entanto, a coleta de informações publicamente disponíveis nas páginas do LinkedIn (não protegidas por login) pode ser permitida em certas jurisdições.

Metodologia de benchmark do raspador do LinkedIn

O benchmark envia periodicamente solicitações para perfis do LinkedIn e páginas de empresas predefinidos para medir a consistência e a latência da recuperação de dados. Um total de 100 URLs de perfil e 100 URLs de empresa são solicitadas em intervalos fixos, e os resultados são agregados diariamente.

As solicitações são executadas a cada 15 minutos com um tempo limite de 60 segundos para garantir amostragem regular e minimizar a limitação de taxa do LinkedIn.

Uma solicitação é considerada bem-sucedida se a resposta incluir campos específicos do LinkedIn, como “linkedin_id”, “headline”, “company_name” ou “industry”. O sucesso é validado em duas etapas:

Primeiro, examinando esses identificadores,
E, em seguida, verificando novamente se há conteúdo parcialmente formatado se nenhuma correspondência direta for encontrada. Esse processo duplo reduz falsos negativos causados por pequenas mudanças de layout ou formatação.

Em nosso benchmark, usamos as seguintes APIs dedicadas, explicitamente projetadas para extrair dados do LinkedIn. Para saber mais, consulte a metodologia de benchmark de APIs de raspagem.

Tipo de página	Bright Data	Apify
Post do LinkedIn	LinkedIn posts-collect by URL	supreme_coder/linkedin-post*
Perfil do LinkedIn	LinkedIn people-collect by URL	dev_fusion/Linkedin-Profile-Scraper

* é listado para referência, mas não foi usado em nosso benchmark de raspagem do LinkedIn.

Perguntas frequentes

Um raspador do LinkedIn é uma ferramenta ou script que extrai automaticamente informações publicamente disponíveis de perfis do LinkedIn, publicações de vagas ou páginas de empresas. Essas ferramentas são projetadas para rastrear dados do LinkedIn, como nomes, títulos, nomes de empresas e localizações, normalmente por meio de APIs ou scripts automatizados.

Você pode raspar dados publicamente visíveis, como nomes de perfis, nomes de empresas, cargos, setores e texto de posts. Evite coletar informações privadas ou sensíveis (por exemplo, e-mails ou números de telefone) e siga sempre os termos de serviço do LinkedIn e as diretrizes éticas de raspagem web.

Cite este benchmark

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

Sedat Dogan and Nazlı Şipi (2026) - "Os Melhores Raspadores do LinkedIn". Publicado on-line em AIMultiple.com. Acessado em 2 Setembro 2026, em: https://aimultiple.com/linkedin-scrapers [Recurso on-line]

Dogan, S., & Şipi, N. (2026, 2 Setembro). Os Melhores Raspadores do LinkedIn. AIMultiple. https://aimultiple.com/linkedin-scrapers

@misc{dogan2026,
  author = {Dogan, Sedat and Şipi, Nazlı},
  title  = {{Os Melhores Raspadores do LinkedIn}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/linkedin-scrapers}},
  note   = {AIMultiple. Acessado em 2 Setembro 2026}
}

Baixar todos os dados

Resultados e carimbos de data/hora de 10 pontos de dados. Baixe os dados utilizados neste artigo como um arquivo ZIP contendo 2 arquivos CSV.

Última atualização: 17 Agosto 2026

Baixar

Registro de alterações

15 atualizações

20269 Fev
Adicionada uma seção comparando Apify e Bright Data à introdução.
202525 Nov
Adicionado um gráfico à seção "Resultados de benchmark das APIs de scraper do LinkedIn".
24 Out
Adicionados exemplos de código Evaboot e Python ao artigo.
4 Ago
Adicionado NetNut B2B Data Scraper API à lista de scrapers do LinkedIn.
24 Abr
Atualizada a seção 'Melhores ferramentas de raspagem do LinkedIn'.
2 Abr
Adicionado Apify como produto na seção Preços das principais ferramentas de raspagem do LinkedIn.
27 Fev
Removida a seção Metodologia de Benchmark.
17 Fev
Removido Zyte da lista de ferramentas de scraping do LinkedIn.
9 Jan
Adicionado Zyte à lista de ferramentas de scraping do LinkedIn.
2 Jan
Adicionados três casos de uso de negócios de dados do LinkedIn ao artigo.
202412 Dez
Removida a seção "As 6 melhores ferramentas de raspagem do LinkedIn".
10 Out
Removida a seção Metodologia de Benchmark.
10 Out
Adicionada uma seção de Metodologia de Benchmark.
23 Set
Atualizada a descrição do Bright Data na tabela de resumo.
23 Set
A seção de metodologia foi expandida com detalhes sobre os scrapers avaliados e os parâmetros de teste.

Links de referência

User Agreement | LinkedIn

Sedat Dogan

CTO

Sedat é um líder em tecnologia e segurança da informação com 20 anos de experiência em desenvolvimento de software, infraestrutura de rede e cibersegurança. Sedat:
- Tem 20 anos de experiência como hacker de chapéu branco e guru de desenvolvimento, com ampla experiência em linguagens de programação e arquiteturas de servidores.
- É conselheiro de administração em uma VC que investe em empresas de tecnologia em estágio inicial e na Ödeal, uma plataforma regional de pagamentos digitais que atende 125.000 comerciantes.
- Liderou a infraestrutura tecnológica e a cibersegurança de sete eleições nacionais e foi reconhecido no Hall da Fama da cibersegurança por líderes globais de tecnologia, incluindo o Twitter.

Ver perfil completo

Pesquisado por

Nazlı Şipi

Pesquisadora de IA

Nazlı é analista de dados na AIMultiple. Ela tem experiência anterior em análise de dados em vários setores, onde trabalhou na transformação de datasets complexos em insights acionáveis.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Comparação de API de raspador do LinkedIn

Resultados de benchmark de raspagem do LinkedIn

API e raspadores do LinkedIn baseados em proxy

Ferramentas de automação do LinkedIn baseadas em cookie

Ferramentas de localização de e-mail e extensões

Tutorial de Python: raspe o LinkedIn com uma API de scraper

A raspagem do LinkedIn é legal em 2026?

Metodologia de benchmark do raspador do LinkedIn

Perguntas frequentes

Cite este benchmark

Registro de alterações

Seguimos normas éticas & nosso processo para objetividade. Esta página não menciona nenhum assinante dos serviços de avaliação comparativa da AIMultiple.

A seguir, leia

Extração de dados da web

Benchmark

27 Ago

Os Melhores Raspadores do LinkedIn

Comparação de API de raspador do LinkedIn

Resultados de benchmark de raspagem do LinkedIn

API e raspadores do LinkedIn baseados em proxy

Bright Data

Recursos:

Apify

Recursos:

Nimble

Ferramentas de automação do LinkedIn baseadas em cookie

Phantombuster

Recursos:

Linked Helper

Recursos:

Dripify

Recursos:

Ferramentas de localização de e-mail e extensões

Snov.io

Recursos:

findthatlead

Recursos:

Preços:

Evaboot

Tutorial de Python: raspe o LinkedIn com uma API de scraper

Como raspar posts do LinkedIn

Etapa 1: Acionar o trabalho de raspagem

Etapa 2: Recuperar os dados raspados

Como raspar vagas do LinkedIn com Python

Etapa 1: Acionar o trabalho de raspagem

Etapa 2: Aguarde e recupere os resultados

Como raspar páginas de perfil do LinkedIn

Etapa 1: Acionar o trabalho de raspagem

Etapa 2: Recuperar os dados raspados do perfil do LinkedIn

Como raspar dados de empresas do LinkedIn

Etapa 1: Acionar o trabalho de raspagem

Etapa 2: Recuperar os dados raspados

A raspagem do LinkedIn é legal em 2026?

Metodologia de benchmark do raspador do LinkedIn

Perguntas frequentes

O que é um raspador do LinkedIn?

Quais dados do LinkedIn você pode raspar?

Cite este benchmark

Link com atribuiçãoHTML, para posts de blog, artigos do LinkedIn e newsletters. Recomendado.

APA 7ª ediçãoPara artigos acadêmicos e relatórios de analistas no estilo APA 7ª.

BibTeXPara documentos LaTeX e gerenciadores de referências acadêmicas.

Links de referência

Seja o primeiro a comentar

A seguir, leia

Etsy Scrapers: Benchmarked Top 4 APIs

Arquivo da web APIs: 4 principais fornecedores testados e comparados

Os 6 principais raspadores da Apple App Store: Bright Data, SerpAPI & Zyte

LLM Benchmark de Latência por Casos de Uso

Top 5 Frameworks Agentic IA de Código Aberto

Pesquisa Aprofundada de IA: Claude vs ChatGPT vs Grok

Bright Data

Apify

Nimble

Phantombuster

Linked Helper

findthatlead