Scraping to automatyczne pobieranie danych z serwisów. Na źródłach publicznych działa najszybciej, ale legalność zależy od regulaminu, podstawy prawnej i tego, czy w grę wchodzą dane osobowe. Przy cold outreachu nie wystarczy samo narzędzie. Trzeba jeszcze wiedzieć, skąd pochodzą kontakty, ograniczyć zakres pobrania i sprawdzać jakość leadów od razu, nie dopiero po wysyłce. Największe ryzyko siedzi nie w automatyzacji, tylko w tym, jakie dane bierzesz i co potem z nimi robisz.
Data scraping jako metoda zbierania kontaktów do outreachu
Na LinkedInie, G2 i Crunchbase jeden rekord może znaczyć coś innego. Data scraping zbiera dane z wybranych źródeł cyfrowych — w sprzedaży najczęściej z profili, katalogów i stron firm. Web scraping jest jego odmianą: wyciąga konkretne pola, takie jak nazwa firmy, stanowisko, adres strony czy publiczny kontakt.
Jak działa automatyczne pobieranie danych kontaktowych
Narzędzie wchodzi na stronę, czyta HTML i zapisuje tylko te elementy, które mają wartość dla lead generation. Nie ma tu magii, jest selekcja z jednego typu źródła, a nie masowe skanowanie całej witryny.
Gdy lista ma zasilać sprzedaż, układ danych musi być spójny: branża, rola decyzyjna albo etap wzrostu. Bez tego każdy kolejny etap — automatyzacja, ręczny outreach, audyt marketingu — zaczyna się od bałaganu. Jeśli ten proces ma iść dalej, sensownie łączy się z audytem procesu marketingowego (Jak ocenić i audytować swój obecny marketing stack?).
Najważniejsze zastosowania: prospecting na LinkedIn, G2 i Crunchbase
LinkedIn, G2 i Crunchbase różnią się tym, jaki sygnał zostawia kupujący. LinkedIn daje rolę, firmę i sieć kontaktów, G2 pokazuje intencję zakupową przez kategorię i recenzje, a Crunchbase odsłania finansowanie, etap rozwoju i wielkość zespołu.
W prospectingu to robi różnicę. Na LinkedInie szukasz osób, na G2 firm porównujących rozwiązania, a na Crunchbase organizacji, które rosną i mają budżet. Scraping ma tu tylko przygotować listę do segmentacji i priorytetyzacji, zanim wejdziesz w kontakt ręczny albo półautomatyczny.
Dobór źródła do skali i ryzyka często przesądza o kampanii. Jeśli chcesz dobrać narzędzia do konkretnego celu, sprawdź Jakie narzędzia do scrapingu wybrać w zależności od celu i skali?.
Techniczne kroki scrapowania kontaktów z eBay przy użyciu curl_cffi
Na eBay jeden zmieniony selektor potrafi rozbić cały parser. Scrapowanie eBay w Pythonie wymaga dziś nie tylko parsera HTML, ale też curl_cffi i środowiska w Pythonie 3.11+, bo platforma korzysta z ochrony Akamai Bot Manager i często zmienia selektory CSS. W praktyce skrypt ma pobierać tylko potrzebne elementy strony, a potem szybko pokazać, że układ przestał pasować do zapytania.
Przygotowanie środowiska Python i curl_cffi
| Krok | Opis |
|---|---|
| Python 3.11+ jako baza projektu | curl_cffi najlepiej działa z nowszymi wersjami interpretera. Dzięki temu środowisko do żądań HTTP do eBay nie miesza kilku starych zależności.[1] |
Dodaj curl_cffi do izolowanego środowiska |
Po utworzeniu venv oddziel scraper od reszty narzędzi, a skrypt zaczyna wysyłać żądania bardziej podobne do przeglądarki niż standardowy requests. |
| Zweryfikuj odpowiedź eBay | Na prostym URL produktu lub listingu szukasz kodu statusu 200 i HTML nadającego się do parsowania. |
| Przygotuj selektory CSS jako warstwę konfiguracji | eBay zmienia klasy i układ sekcji częściej niż sam endpoint, więc jedna poprawka nie psuje całego procesu. |
| Dodaj test odporności na blokadę Akamai Bot Manager | Porównuj treść strony z oczekiwanym układem elementów. Jeśli zamiast listingu widzisz stronę ochrony, zmień nagłówki, tempo zapytań albo sposób pobierania. |
Przy pracy na większej skali szybciej wyłapiesz problem w źródle niż w parserze. Wybór narzędzia do tempa i ryzyka opisuje szerzej Jakie narzędzia do scrapingu wybrać w zależności od celu i skali?.
Automatyzacja scrapowania i enrichment leadów w Datablist
Gdy lista z kilku źródeł ma trafić do CRM, pierwsze braki widać zwykle w polach firmowych i kontaktowych. Datablist to platforma no-code do budowania, czyszczenia i wzbogacania leadów w jednym miejscu. Działa dobrze tam, gdzie zespół GTM chce szybciej ruszyć ze sprzedażą bez dokładania kolejnego kawałka kodu. W praktyce składasz listę prospectingową z kilku źródeł, wycinasz śmieci i uzupełniasz braki przed przekazaniem kontaktów do outreachu.
Budowanie list prospectingowych bez kodowania?
Wybór narzędzia zależy od skali procesu i stopnia automatyzacji:
Datablist zbiera, czyści i wzbogaca leady w jednym workflow. To dobry wybór, gdy chcesz zamknąć proces w no-code i szybciej mieć listę gotową do sprzedaży. Airtable z zewnętrznymi integracjami daje większą swobodę, jeśli wolisz bazę roboczą.
Clay sprawdza się wtedy, gdy prospecting opiera się na wielu źródłach danych i regułach enrichmentu na jednym rekordzie. Lepszy od prostego arkusza jest wtedy, gdy pipeline ma kilka warstw filtracji. Jeśli liczy się prostota i krótsze wdrożenie, Datablist wypada lepiej.
Google Sheets + automatyzacje wystarczają dla małych list i ręcznej kontroli jakości. Łatwo sprawdzisz format, duplikaty i statusy rekordów. Gdy arkusz zwalnia przy większej liczbie leadów, przenieś pracę do Datablist.
Make łączy źródła danych, scraper i narzędzie do enrichmentu bez kodu. Dobrze siedzi jako warstwa między pozyskaniem danych a CRM. Jeśli chcesz mniej narzędzi, możesz oprzeć się na wbudowanych przepływach w Datablist.
Najbardziej odczuwalne jest to przy eksporcie do CRM z kilku źródeł naraz. Jeśli chcesz dobrać stack do skali i ryzyka, ten temat rozwija Jakie narzędzia do scrapingu wybrać w zależności od celu i skali?.
Scrapowanie LinkedIn a ryzyko blokady konta i ograniczenia platformy
Na LinkedInie publiczny profil nie daje zgody na hurtowy eksport danych, a limit tempa bywa pierwszą przeszkodą. Scrapowanie LinkedIn działa tylko wtedy, gdy trzymasz się publicznie dostępnych danych i niskiego tempa pobierania. Inaczej platforma szybko zaczyna traktować ruch jak automatyzację pod ryzyko blokady. LinkedIn Sales Navigator, jako część LinkedIn, zmienia sposób pracy z leadami, ale nie znosi limitów samej platformy ani zasad dostępu do danych.[2]
Granice regulaminu LinkedIn przy scrapowaniu publicznych danych
Scrapowanie LinkedIn wymaga ostrożności. Oto najczęstsze błędy i sposoby ich uniknięcia:
- Publiczny profil nie daje prawa do masowego pobierania danych. Zbieraj tylko to, co widać bez logowania i bez omijania zabezpieczeń. Nazwa stanowiska z profilu publicznego jest mniejszym ryzykiem niż hurtowe wyciąganie całych sekcji doświadczenia.
- Regulamin konta i zasady użycia narzędzia lepiej przeczytać przed startem niż po blokadzie IP. Przy prospectingu wystarczą pola potrzebne do kwalifikacji. Jeśli zapisujesz pełne zrzuty profili, sam dokładasz sobie problem.
- Gdy mieszasz scraping z danymi z Sales Navigatora, rozdziel źródła od razu. LinkedIn Sales Navigator działa w ekosystemie LinkedIn, ale nie jest zgodą na dowolny eksport danych.[2] Ręczne wyszukiwanie i automatyczne pobieranie powinny trafiać do CRM osobno.
- Bez audytu ten sam błąd wraca na większej liczbie profili i kont. Ten aspekt rozwija Jak ocenić i audytować swój obecny marketing stack?. Jeżeli kilka osób odpala podobne workflowy z jednego konta, ryzyko ograniczeń rośnie szybko.
- Jedno narzędzie do automatyzacji wystarcza tylko do małej skali. Rozdziel wyszukiwanie, selekcję i eksport, a automatyzację traktuj jako warstwę pomocniczą. Ręczne sprawdzenie shortlisty przed kontaktem trwa dłużej, ale zmniejsza koszt błędnego targetowania.
Jak unikać blokad i ograniczeń przy scrapowaniu 1.2 miliarda użytkowników
Przy 1.2 miliarda użytkowników nawet mały błąd proceduralny mnoży się błyskawicznie. Praca na tak dużej platformie jak LinkedIn stawia przed tobą konkretne ograniczenia. Te nawyki pomagają je ograniczyć:
- Porównaj tempo pracy człowieka z zachowaniem bota. LinkedIn najłatwiej wyłapuje nienaturalnie szybkie serie wejść na profile. Rozłóż działania w czasie i nie uruchamiaj dużych paczek identycznych żądań. Zamiast setek profili pod rząd lepiej działają małe paczki i przerwy między seriami.
- Przy skali 1.2 miliarda użytkowników nie wolno pomijać limitu widoczności i dostępu. Zbieraj minimalny zestaw danych potrzebny do kwalifikacji leada i od razu zapisuj źródło rekordu.[3] Jeśli celem jest outreach do marketing managerów, nie kopiuj pól, które nie wpływają na segment.
- Agresywna automatyzacja wiadomości psuje spójność zachowania szybciej niż sam scraping. Rozdziel pozyskanie leadów od outreachu i nie uruchamiaj obu procesów w tym samym rytmie. Pobranie listy rano, wysyłka sekwencji po południu — to mniej ryzykowne niż jeden ciągły blok akcji.
- Plan awaryjny na ograniczenie konta powinien leżeć gotowy przed pierwszą serią działań. LinkedIn potrafi odciąć część funkcji bez wcześniejszego ostrzeżenia. Trzymaj osobne konta robocze, notuj ostatnie kroki i testuj workflow na małej próbie.
- Jedna metoda pozyskania kontaktu daje zbyt mało kontroli nad ryzykiem i jakością. Połącz scraping z ręcznym prospectingiem i porównuj skuteczność źródeł zamiast ślepo skalować jeden kanał. Jeśli LinkedIn zaczyna odrzucać część zapytań, część pracy można przenieść na shortlisty tworzone w osobnym narzędziu, np. w poradniku o LinkedIn automation – które narzędzia wybrać i czego unikać.
- Rekord bez roli i firmy wygląda jak kontakt, ale dla sprzedaży B2B jest tylko szumem. Sprawdzaj źródło, aktualność i kontekst przed kontaktem. Zablokowane albo niepełne dane i tak obciążają cały proces sprzedaży.
Źródła
- https://pypi.org/project/curl-cffi/
- https://linkedin.com/help/sales-navigator/topic/a43
- https://news.linkedin.com/2026/open-to-work–a-new-book-on-thriving-in-the-age-of-ai-
Dorian Zawadzki to redaktor i autor publikacji w serwisie Growthhacker.pl. Specjalizuje się w tematach związanych z marketingiem wzrostu, SEO, content marketingiem i analityką. Tworzy praktyczne materiały, które pomagają lepiej rozumieć narzędzia, strategie i procesy wspierające rozwój biznesu online.
