Web scraping ja laillisuus: mitä dataa saa kerätä?

Onko web scraping laillista?

Kyllä, lähtökohtaisesti. Julkisen datan kerääminen verkkosivuilta on yleensä laillista. Mutta rajat tulevat vastaan:

• Henkilötietojen kerääminen (GDPR)
• Tekijänoikeudella suojattu sisältö
• Tietokantasuoja (EU:n sui generis -oikeus)
• Sopimusrikkomukset (käyttöehdot)
• Palvelun häirintä (DoS)

GDPR ja henkilötiedot

GDPR koskee kaikkia henkilötietoja – myös julkisesti saatavilla olevia.

Mitä henkilötiedot ovat?

• Nimet
• Sähköpostiosoitteet
• Puhelinnumerot
• IP-osoitteet
• Kuvat joista henkilö tunnistettavissa
• LinkedIn-profiilit, sosiaalisen median tilit

Milloin henkilötietoja saa kerätä?

Tarvitset laillisen perusteen:

• Suostumus: Henkilö on antanut luvan
• Oikeutettu etu: Sinulla on perusteltu tarve, joka ei ylitä henkilön oikeuksia
• Sopimus: Käsittely on tarpeen sopimuksen täyttämiseksi

Käytännössä: Yritystietojen (yrityksen nimi, Y-tunnus, yleinen sähköposti info@yritys.fi) kerääminen on yleensä ok. Yksityishenkilöiden tietojen kerääminen vaatii perusteen.

Tekijänoikeudet

Sisältö voi olla tekijänoikeudella suojattua:

• Tekstit: Artikkelit, uutiset, blogit
• Kuvat: Valokuvat, grafiikat
• Videot: Suoratoistopalvelut

Sallittua: Faktojen kerääminen (hinnat, tuotetiedot, yhteystiedot). Faktat eivät ole tekijänoikeudella suojattuja.

Kiellettyä: Kokonaisten artikkelien kopiointi ja julkaisu.

Tietokantasuoja (sui generis)

EU:ssa tietokannat voivat olla suojattuja, jos niiden kokoaminen on vaatinut merkittävää investointia.

• Suojattu: Koko tietokannan tai olennaisen osan kopiointi
• Sallittu: Yksittäisten tietojen poiminta kohtuullisessa määrin

Käyttöehdot

Monet sivustot kieltävät scrapingin käyttöehdoissaan. Tämä on sopimuskysymys:

• Jos et ole hyväksynyt ehtoja: Et ole sidottu niihin
• Jos kirjaudut sisään: Hyväksyt ehdot → sidottu

Käytännössä: Julkisen datan scraping ilman kirjautumista on yleensä ok, vaikka käyttöehdot kieltäisivät.

robots.txt

robots.txt on tekninen tiedosto joka kertoo hakukoneille (ja scrapereille) mitä saa indeksoida.

• Juridisesti: Ei ole laillisesti sitova
• Eettisesti: Kannattaa noudattaa – osoittaa hyvää tahtoa
• Käytännössä: Jos jätät huomiotta, sivusto voi estää IP:si

Katso robots.txt -opas.

Hyvät käytännöt

• ☐ Kerää vain julkista dataa
• ☐ Vältä henkilötietoja tai varmista laillinen peruste
• ☐ Älä kirjaudu sisään scraperia varten
• ☐ Noudata robots.txt:ää
• ☐ Rajoita pyyntöjen nopeutta (älä kuormita palvelinta)
• ☐ Älä kopioi ja julkaise suojattua sisältöä
• ☐ Dokumentoi mitä keräät ja miksi

Esimerkkejä: sallittu vs. kielletty

Tilanne	Arvio
Kilpailijoiden julkiset hinnat	✅ Yleensä ok
Yritysten yhteystiedot yritysrekisteristä	✅ Yleensä ok
LinkedIn-profiilit myyntitarkoituksiin	⚠️ Riskialtista (GDPR + käyttöehdot)
Uutisartikkelien kopiointi ja julkaisu	❌ Tekijänoikeusrikkomus
Kirjautumisen takana oleva data	❌ Sopimusrikkomus
Tuotteiden tekniset tiedot valmistajan sivulta	✅ Yleensä ok

Usein kysytyt kysymykset

Voiko scrapingista joutua oikeuteen?

Teoriassa kyllä, jos rikot GDPR:ää, tekijänoikeuksia tai aiheut vahinkoa. Käytännössä harvinaista pk-yrityksen mittakaavassa, kunhan noudatat hyviä käytäntöjä.

Entä jos sivusto estää?

Sivusto voi estää IP:si tai vaatia CAPTCHA:n. Tämä on tekninen este, ei juridinen. Estojen kiertäminen voi kuitenkin olla ongelmallista.

Pitääkö pyytää lupa?

Julkiselle datalle ei yleensä tarvita. Jos epäilet, kysy. Monet yritykset tarjoavat myös API:n datan hakemiseen.

Lue myös

• Mitä robots.txt tarkoittaa?
• API vai scraping?
• Scraping-projektin tilaaminen
• Web scraping palveluna →