🎧 Poslouchej epizodu:
Jindřich a Filip se v novém díle vrací k tématu, které v Deeplink Show padlo už dřív #25 | Efektivní využití AI, tentokrát ale z jiného úhlu. 🔍 Data scraping - tedy strojové získávání dat z internetu, když k nim neexistuje přívětivé API - byl donedávna disciplína pro lidi s programátorskými skilly. Dneska stačí říct agentovi, co chceš, a on to vyřeší. Otázka, která zůstává, je jiná: kde přesně končí legální scraping a kde si firmy skutečně budují konkurenční výhodu, když si veřejná data umí stáhnout kdokoli. 💡
Proč scraping najednou zvládne kdokoli 🤖
Data scraping není nový vynález - existuje skoro tak dlouho jako internet sám. Jindřich v epizodě připomíná, jak vypadal dřív: člověk napsal v JavaScriptu skript, který něco stahoval, a v momentě, kdy web změnil strukturu HTML - třeba jen nadpis z H2 na H3 - skript přestal fungovat. Potřeboval jsi programátorskÝ skillset a musel jsi skript neustále opravovat.
Agent tenhle problém řeší jinak. 📌 Nerozumí jen kódu, rozumí obsahu stránky - takže když se web přeskládá, agent si poradí sám, aniž bys musel cokoli přepisovat. Filip k tomu dodává, že dřív jsi si musel dopředu naprogramovat přesně to, co a odkud stahovat - dneska agentovi řekneš cíl a on zvládne zbytek, včetně toho, když web řeší dynamické načítání dat přes JavaScript (typicky nekonečné scrollování na Facebooku, kam potřebuješ nastoupit s pořádným scraperem).
Nejjednodušší varianta dnešního scrapingu je podle Filipa něco jako browser use nebo Playwright - agent si otevře prohlížeč přesně jako člověk, simuluje uživatele a díky multimodalitě dokáže přečíst i to, co je jen na screenshotu. Weby totiž neblokují lidi, blokují boty - takže čím víc agent vypadá jako člověk, tím dál se dostane.
Filip v epizodě otevírá i otázku, proč vůbec platit za nástroje jako Apify nebo Firecrawl, když si to jde vyscrapovat zdarma přes Claude in Chrome. Odpověď je v tom, že nemusíš objevovat kolo - specializovaný nástroj má hotový “actor” přesně na danou stránku, který ví, kde kliknout a jak strukturovat výstup, a navíc obejde pokročilé ochrany proti botům. Vlastní agent by se to musel učit od nuly a výsledek by neměl zaručenou strukturu.
Jak Jindřich postavil agregátor letních kin bez psaní kódu 🎬
Nejkonkrétnější část dílu je Jindřichův vlastní projekt zasoumraku.cz - agregátor programů letních kin po celé republice, s recenzemi, trailery a mapou nejbližšího kina.
Pipeline, kterou pro projekt poskládal, má tři vrstvy podle ceny. Primárně používá Firecrawl na stahování programů ze stránek jednotlivých kin. Tam, kde kino zveřejní program jen jako obrázek na Instagramu nebo Facebooku, nastupuje Gemini OCR - multimodální model, který obrázek přečte a vrátí čistý text. A jako poslední fallback, tam kde nic jiného neprojde ochranou proti botům, je Apify.
Celý ten pipeline - fallbacky mezi nástroji i noční smyčku, která scrapuje jen to, co ještě nemá - Jindřich postavil přes Claude Code. Sám žádné API volání neimplementoval.
Filip na to navazuje důležitým postřehem: fakt, že měl Jindřich problém něco vyscrapovat, neznamená, že to dělal ručně nebo psal vlastní programy. Řešil to s agentem - fallbacky, smyčku na noční aktualizace, celou logiku. 🎯 Přesně tenhle typ projektu byl podle Filipa před dvěma lety nemyslitelný jako víkendový hobby projekt člověka bez hlubších programátorských základů. Dnes jde postavit za pár dní.
Zajímavé je, že tahle no-code cesta se zrovna zjednodušila i pro úplné začátečníky. Macaly - české studio, o kterém Deeplink Show psal už v souvislosti s jeho exitem do Team Blue - má teď partnerství s Apify. Stačí říct agentovi v chatu “chci data z LinkedInu” a on sám pozná, že LinkedIn nemá oficiální API, zvolí vhodný Apify actor a spotřebu strhne z kreditů. Filip to sám vyzkoušel na projektu, který sbíral pracovní nabídky z Jobs.cz a StartupJobs - a zjistil, že drtivá většina inzerátů neuvádí plat.
Kde končí legální scraping a začíná šedá zóna ⚖️
Etická a právní stránka scrapingu je v epizodě jasně pojmenovaná, i s výhradou, že ani Jindřich, ani Filip nejsou právníci. Jindřich cituje pravidlo, které slyšel na jedné pražské přednášce od člověka z Apify: scraping veřejně dostupných dat, ke kterým se nemusíš autentizovat, je v pořádku. Jakmile ale musíš obejít ochranu jako reCAPTCHA, přihlášení nebo ověření identity, ocitáš se za hranicí legality.
Tahle intuice sedí i s reálnou judikaturou - v případu hiQ Labs v. LinkedIn americký soud rozlišil scraping veřejných profilů (mimo dosah zákona o počítačových podvodech CFAA) od dat dostupných až po přihlášení. hiQ nakonec stejně padlo, ale kvůli zakládání falešných účtů pro přístup k datům za loginem, ne kvůli samotnému scrapingu veřejného obsahu.
Zdroj: EFF - Scraping Public Websites (Still) Isn’t a Crime, ověřeno 2026-07-30
Filip do debaty přidává praktickou zkratku: platformy jako Apify nebo Firecrawl do jisté míry přebírají odpovědnost za tebe, protože scraping veřejných dat samy nabízejí jako legitimní službu. Zároveň připouští, že se v praxi porušují licenční podmínky řady webů běžně - a přirovnává to k tomu, jak každý tvůrce nevyhnutelně čerpá inspiraci odjinud a skládá z ní vlastní mozaiku.
Jindřich upozorňuje i na druhou stranu barikády: nejde jen o právo, ale i o technickou obranu. Klasické triky jako reCAPTCHA a rotování IP adres všichni znají, ale existují sofistikovanější metody. Tinder třeba scrapery vůbec neblokuje - jen je potichu přepne do testovacího sandboxu se syntetickými, neexistujícími profily. Scraper běží dál a hlásí úspěch, jenže data, která sbírá, jsou k ničemu.
Cloudflare jde podle Filipa ještě dál - dokáže detekovat AI bota a místo blokace mu servírovat náhodně vygenerovaný, ale kontextově sedící obsah. Agent tak nemůže jen konstatovat “nezískal jsem data, jdu jinam” - musí aktivně vyhodnocovat, jestli to, co dostal, vůbec odpovídá realitě.
Proč scraping není vždycky první volba 🛠️
I když je dnešní scraping snadnější než kdy dřív, Jindřich zdůrazňuje, že by měl být až poslední možnost. Primární cesta je vždycky oficiální API - typicky Google Places nebo Google Maps API, které dá data levně nebo úplně zdarma a bez rizika, že narazíš na ochranu proti botům. Sám ho použil při validaci polohy tisíce šesti set záznamů v mapě za pár dolarů.
Druhá cesta, o které Filip mluví, je export vlastních dat kvůli GDPR - i z Facebooku jde stáhnout historii všech konverzací. Filip u toho vypráví osobní historku: roky si zálohoval data z cestovatelské appky Polar Steps ze strachu, že mu jednoho dne zmizí všechny vzpomínky. Před pár lety si říkal, že kdyby k tomu došlo, napsal by si vlastní appku na zobrazení dat - bude to peklo, ale půjde to. Dnes by to díky agentům zvládl za odpoledne.
Teprve když nefunguje ani API, ani export, přichází na řadu scraping - a i tady dává smysl skládat víc nástrojů podle toho, co je zrovna nejlevnější, přesně jako to dělá Jindřichova třívrstvá pipeline.
Kdo vyhraje, až budou data levná pro každého 📈
Dialog se uzavírá otázkou, která přesahuje samotný scraping. Jindřich se ptá, jakou vlastně dneska mají firmy konkurenční výhodu, když si veřejná data - popisky produktů na e-shopu, recenze, obsah webu - poscrapuje kdokoli s troškou snahy a agentem po ruce.
Odpověď, ke které oba dochází, je posun směrem k soukromým, neveřejným datům - tomu, jak se uživatelé chovají uvnitř tvého produktu, co si u tebe kupují, jak se pohybují. Tahle data se nedají vyscrapovat, protože nejsou veřejná. A zároveň scraping podle Filipa boří klasický vendor lock-in - díky GDPR si každý může svá data od firmy vytáhnout a přenést jinam.
Do budoucna Jindřich čeká i další posun: s růstem syntetických a agregovaných dat na internetu může klesat kvalita toho, co je volně dostupné, a naopak růst hodnota ověřených, kvalitních prvotních dat. Scraping se tak podle něj možná časem promění spíš v nákup dat - a vyhraje ten, kdo bude mít co monetizovat.
TL;DR - co si z toho vzít 📌
Scraping dnes zvládne i netechnik. 🤖 Agent rozumí obsahu stránky, ne jen kódu - takže sám vyřeší změny struktury webu i volbu vhodného nástroje, aniž bys cokoli programoval.
API a export dat jdou před scrapingem. 🎯 Scraping je až poslední možnost - primárně hledej oficiální API, sekundárně vlastní data přes export.
Hranice legality je autentizace. ⚖️ Veřejná data bez přihlášení jsou podle citovaného pravidla v pořádku; jakmile obcházíš reCAPTCHu nebo login, jsi v šedé zóně.
Anti-bot ochrana eskaluje na dezinformaci. ⚡ Tinder posílá scrapery do sandboxu se smyšlenými lidmi, Cloudflare umí AI botům servírovat vymyšlená, ale kontextově sedící data.
Veřejná data přestávají být konkurenční výhodou. 📈 Cennější jsou soukromá, uživatelská data, která se nedají vyscrapovat - a časem možná i nákup ověřených dat místo jejich sbírání.
Líbí se ti Deeplink Show?
👉 Sleduj nás na YouTube - video verze každé epizody
🎧 Followni Deeplink Show na Spotify - pro poslech kdekoli
🌎 Mrkni na náš web - pro další detaily podcastu
📸 Sleduj nás na Instagramu - zkratky, tipy a zákulisí
Nebo nám napiš co si myslíš: studio@deeplink.show ✉️