LinkedIn API 项目使用指南:从基础到高级功能
项目概述
nsandman/linkedin-api 是一个强大的 Python 库,它提供了与 LinkedIn 平台交互的完整接口。这个库允许开发者通过编程方式访问 LinkedIn 的各种功能,包括获取个人资料信息、管理连接、发送消息、搜索用户等。本文将详细介绍该库的主要功能和用法。
初始化与认证
使用该库的第一步是创建 LinkedIn 实例并进行认证:
from linkedin_api import Linkedin
# 初始化 LinkedIn 实例
linkedin = Linkedin(
username="your_username",
password="your_password",
refresh_cookies=False, # 可选:是否刷新缓存cookie
debug=False, # 可选:启用调试日志
proxies=None # 可选:使用网络中转
)
参数说明:
username和password是必填项,用于 LinkedIn 账号认证refresh_cookies控制是否刷新缓存的认证信息debug模式会输出详细的请求日志,便于调试proxies支持通过网络中转服务器连接
个人资料相关操作
获取个人资料信息
# 通过公开ID获取个人资料
profile = linkedin.get_profile(public_id="tom-quirk")
# 通过URN ID获取个人资料
profile = linkedin.get_profile(urn_id="AC000102305")
该方法返回一个包含用户详细信息的字典,包括姓名、职位、教育背景等。
获取联系人信息
contact_info = linkedin.get_profile_contact_info(urn_id="AC000102305")
返回的联系信息可能包括电子邮件、电话号码、社交媒体账号等(取决于用户的隐私设置)。
获取技能信息
skills = linkedin.get_profile_skills(urn_id="AC000102305")
返回用户列出的技能列表,通常包括技能名称和认可人数。
获取隐私设置
privacy_settings = linkedin.get_profile_privacy_settings(public_id="tom-quirk")
了解目标用户的隐私设置,判断哪些信息是公开可见的。
社交网络管理
获取直接联系人
connections = linkedin.get_profile_connections(urn_id="AC000102305")
返回用户的一度人脉列表,包含每个联系人的基本信息。
移除联系人
success = linkedin.remove_connection(public_id="tom-quirk-1928345")
从你的网络中移除指定联系人,返回操作是否成功。
处理邀请
# 获取所有待处理邀请
invitations = linkedin.get_invitations()
# 接受邀请
linkedin.reply_invitation(
invitation_entity_urn=invitations[0]['entityUrn'],
invitation_shared_secret=invitations[0]['sharedSecret'],
action="accept"
)
# 忽略邀请
linkedin.reply_invitation(
invitation_entity_urn=invitations[1]['entityUrn'],
invitation_shared_secret=invitations[1]['sharedSecret'],
action="ignore"
)
消息功能
获取对话列表
conversations = linkedin.get_conversations()
返回当前用户的所有对话元数据列表。
获取特定对话详情
conversation = linkedin.get_conversation(conversation_urn_id="6446595445958545408")
获取指定对话的完整内容,包括所有消息记录。
发送消息
# 先获取对话详情
profile = linkedin.get_profile("bill-g")
conversation_details = linkedin.get_conversation_details(profile['profile_id'])
# 发送消息
success = linkedin.send_message(
conversation_urn_id=conversation_details['id'],
message_body="您好,我对您的项目很感兴趣"
)
搜索功能
通用搜索
results = linkedin.search(
params={"keywords": "software engineer"},
max_results=100
)
人员搜索
search_results = linkedin.search_people(
keywords="python,developer",
connection_of="AC000120303", # 只搜索特定用户的联系人
network_depth="F", # 一度人脉
regions=["us:0"], # 美国地区
industries=["4"] # 计算机软件行业
)
搜索参数说明:
network_depth:F(一度)、S(二度)、O(三度及以上)regions和industries使用 LinkedIn 的内部编码
组织信息获取
获取公司信息
company = linkedin.get_company(public_id="linkedin")
返回公司基本信息,包括简介、员工人数、行业等。
获取学校信息
school = linkedin.get_school(public_id="university-of-queensland")
返回教育机构的基本信息。
高级功能
获取个人资料浏览统计
profile_views = linkedin.get_current_profile_views()
返回当前用户的个人资料被浏览统计数据,包括时间序列图表数据。
获取网络信息
network_info = linkedin.get_profile_network_info(public_id="tom-quirk")
获取用户的网络概况,包括粉丝数量、与当前用户的距离等。
获取会员徽章
badges = linkedin.get_profile_member_badges(public_id="tom-quirk")
识别用户是否拥有特殊徽章,如高级会员、影响力人物等。
使用建议与最佳实践
- 频率控制:避免过于频繁的API调用,模拟人类操作模式
- 错误处理:所有方法都可能因网络或认证问题抛出异常,应适当处理
- 数据缓存:对不常变化的数据(如公司信息)实施本地缓存
- 隐私合规:确保使用方式符合LinkedIn的用户协议和数据保护法规
- 网络中转使用:在高频率使用时,考虑使用中转池避免IP限制
常见问题解答
Q: 为什么某些方法返回的数据不完整? A: 这通常是因为目标用户的隐私设置限制了这些信息的可见性。
Q: 如何获取更多搜索结果? A: 可以通过分页方式多次调用搜索方法,逐步获取更多结果。
Q: 发送消息功能有什么限制? A: LinkedIn对非连接用户的消息发送有严格限制,通常只能通过InMail或共同群组发送。
通过本文介绍,您应该已经掌握了nsandman/linkedin-api项目的主要功能和使用方法。这个强大的工具可以帮助您构建各种LinkedIn相关的自动化应用,从简单的数据采集到复杂的社交网络分析。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00