Legalita web scrapingu: Co potřebují vědět majitelé firem

Veřejná vs neveřejná data: Základ legality sběru dat z webu

Nejjasnější pravidlo v oblasti web scrapingu je rozdíl mezi veřejnými a neveřejnými daty. Informace viditelné pro kohokoliv bez přihlášení – produktové katalogy, firemní adresáře, realitní inzeráty, zpravodajské články – jsou obecně v pořádku. Soudy v USA i EU opakovaně rozhodly, že přístup k veřejně dostupným webům nepředstavuje neoprávněný přístup podle zákonů o zneužití počítačů, jako je Computer Fraud and Abuse Act (CFAA) ve Spojených státech nebo Computer Misuse Act 1990 ve Velké Británii.

Neveřejná data jsou jiná věc. Pokud se potřebujete přihlásit, obejít paywall nebo použít cizí přihlašovací údaje, abyste se dostali k informacím, překračujete hranici do oblasti neoprávněného přístupu. CFAA kriminalizuje překročení oprávněného přístupu k počítačovým systémům a právní předpisy EU a ČR podobně zakazují přístup k datům, ke kterým nemáte oprávnění. Případ hiQ Labs v. LinkedIn se soustředil právě na tuto otázku: LinkedIn tvrdil, že scraping porušuje CFAA i poté, co bylo hiQ řečeno, aby přestalo, ale Devátý obvodní soud původně rozhodl, že veřejné profily nebyly chráněny. Případ byl nakonec vyřešen mimosoudně, což zanechalo určitou nejasnost, ale princip zůstává – scraping veřejně viditelných dat se materiálně liší od přístupu k chráněnému obsahu.

Pro obchodní využití se držte dat, která může vidět každý návštěvník bez přihlášení. Pokud váš projekt vyžaduje přístup k účtu, musíte tento účet vlastnit nebo mít výslovné svolení jeho držitele.

Osobní údaje a GDPR

Sběr osobních údajů – jména, e-mailové adresy, telefonní čísla, IP adresy, lokační data – spouští nařízení o ochraně osobních údajů. V EU a ČR GDPR vyžaduje právní základ pro zpracování osobních údajů, transparentnost ohledně jejich použití a respektování práv jednotlivců. Ve Spojených státech kalifornský CCPA a CPRA ukládají podobné požadavky pro obyvatele Kalifornie a další státy následují se svými vlastními zákony.

Právní základ je důležitý. Pokud sbíráte firemní kontaktní údaje z veřejného adresáře pro B2B marketing, můžete se spolehnout na oprávněné zájmy podle GDPR. Pokud sbíráte spotřebitelské profily, recenze se jmény nebo aktivitu na sociálních sítích, musíte důkladněji promyslet souhlas, omezení účelu a práva subjektů údajů. Evropský výbor pro ochranu osobních údajů jasně uvedl, že veřejně dostupné neznamená osvobozené od zákona o ochraně osobních údajů – stále potřebujete právní základ a musíte respektovat rozumná očekávání jednotlivců.

V praxi se mnoho firem osobním údajům zcela vyhýbá. Místo scrapování uživatelských recenzí se jmény sbírejte agregované hodnocení a anonymní text. Místo sběru individuálních profilů na sociálních sítích sbírejte veřejné příspěvky bez jejich propojení s identifikovatelnými osobami, pokud nemáte jasnou právní cestu a odpovídající zásady ochrany osobních údajů. Pokud váš projekt vyžaduje osobní údaje, před zahájením se poraďte s právníkem specializujícím se na ochranu osobních údajů.

Obchodní podmínky: Smlouva vs technický přístup

Většina webů publikuje obchodní podmínky, které zakazují scraping, automatizovaný přístup nebo komerční využití jejich dat. Právní váha těchto podmínek je častým bodem nejasností. Ve Spojených státech porušení obchodních podmínek automaticky nedělá ze scrapingu trestný čin podle CFAA – soudy rozhodly, že porušení obchodních podmínek samo o sobě není totéž jako neoprávněný přístup k počítačovému systému.

Obchodní podmínky však zůstávají smlouvami a jejich porušení může vést k občanskoprávním důsledkům. Vlastník webu může poslat výzvu k zastavení, požádat o soudní zákaz nebo žalovat za porušení smlouvy, pokud může prokázat škody. V EU a ČR platí smluvní právo podobně – pokud výslovně souhlasíte s podmínkami, které zakazují scraping, můžete nést odpovědnost za porušení, ačkoli vymáhání je vzácné, pokud web nemůže prokázat skutečnou škodu.

Jak přistupovat k obchodním podmínkám

• Přečtěte si podmínky. Pokud je scraping výslovně zakázán a plánujete komerční projekt, zvažte riziko. Velké platformy s agresivními právními týmy častěji vymáhají své podmínky než malé weby.
• Nejprve zkontrolujte API. Mnoho platforem nabízí oficiální API, které poskytují strukturovaná data bez smluvní nejasnosti.
• Buďte zdvořilí a technicky korektní. I když podmínky zakazují scraping, weby často tolerují boty s nízkým objemem, které nenarušují službu. Hranice mezi tolerovaným a soudním sporem často závisí na rozsahu a dopadu.
• Dokumentujte svůj postup. Pokud budete čelit výzvě, ukázání, že jste sbírali pouze veřejná data, respektovali robots.txt a udržovali rozumnou frekvenci požadavků, posílí vaši pozici.

Pro projekty v šedé zóně – scraping velkého tržiště nebo realitní platformy pro monitorování cen – praktická rada je postupovat opatrně, používat renomovanou službu pro scraping, která rozumí hranicám, a být připraveni zastavit, pokud obdržíte právní tlak.

Autorské právo a práva k databázím

Autorské právo chrání původní tvůrčí díla – texty, obrázky, videa, software. Scraping webu vám nedává vlastnictví jeho obsahu. Pokud znovu publikujete sebrané články, popisy produktů nebo fotografie bez povolení, riskujete porušení autorských práv. V EU a ČR přidávají práva k databázím další vrstvu: směrnice o databázích poskytuje sui generis ochranu databázím, kde byla investována značná investice do získání, ověření nebo prezentace dat.

Spojené státy nemají práva k databázím, ale autorské právo stále platí pro původní kompilace a tvůrčí obsah. Fakta sama nejsou chráněna autorským právem – ceny, adresy, specifikace produktů – ale způsob, jakým jsou vyjádřeny nebo uspořádány, může být. Scraping surových faktických dat pro vlastní interní použití (srovnání cen, průzkum trhu, monitorování inventáře) obecně spadá pod fair use nebo se autorského práva vůbec netýká. Opětovná publikace těchto dat způsobem, který přímo konkuruje původnímu zdroji, je riskantnější.

Minimalizace rizika autorských práv

1. Extrahujte fakta, ne tvůrčí obsah. Sbírejte ceny, specifikace a dostupnost, ne marketingové texty nebo profesionální fotografie.
2. Transformujte data. Pokud agregujete, analyzujete nebo přeformátujete sebraná data do vlastního produktu, přidáváte transformační hodnotu, která podporuje argument fair use.
3. Uveďte zdroj, kde to dává smysl. Pokud zobrazujete sebraná data veřejně, odkažte zpět na zdroj.
4. Vyhněte se hromadné republice. Zrcadlení celého webu nebo databáze je nejjasnějším porušením. Používejte sebraná data k informování rozhodnutí, ne k nahrazení originálu.

Pro komerční projekty, které budou znovu publikovat nebo distribuovat sebraný obsah – srovnávací weby, agregátory, datasety pro trénování AI – investujte do právní kontroly.

Technický dopad: Respektujte infrastrukturu

I když máte právní právo scrapovat, technický způsob záleží. Přetížení webu požadavky může představovat útok odmítnutím služby nebo narušení vlastnictví (common-law doktrína v USA umožňující vlastníkům žalovat za zasahování do jejich systémů). Právo EU a ČR nemá přímý ekvivalent, ale agresivní scraping, který způsobuje měřitelnou škodu – výpadky, zvýšené náklady na hosting, zhoršené uživatelské zkušenosti – může podpořit nároky na náhradu škody nebo soudní zákaz.

Omezení rychlosti je jak zdvořilost, tak právní ochrana. Dobře navržený scraper napodobuje lidské chování: čeká mezi požadavky, respektuje direktivy robots.txt, identifikuje se pomocí user-agent řetězce a zpomalí, pokud web vrací chyby. Weby nasazují opatření proti botům nejen k vymáhání obchodních podmínek, ale také k ochraně infrastruktury.

Robots.txt není právně závazný, ale jeho ignorování oslabuje vaši pozici, pokud vznikne spor. Soudy považovaly dodržování robots.txt za důkaz dobré víry a jeho porušení může podpořit tvrzení, že jste vědomě překročili oprávněný přístup. Pro obchodní projekty konfigurujte své scrapery tak, aby respektovaly robots.txt, pokud nemáte konkrétní důvod – a právní poradenství – k jeho přepsání.

Praktický kontrolní seznam compliance

Každý projekt scrapingu by měl začít kontrolou souladu s právními předpisy. Následující kontrolní seznam pokrývá hlavní právní a technické úvahy pro firmy v ČR a EU. Nenahrazuje právní poradenství, ale poskytuje rámec pro identifikaci rizik před tím, než vložíte zdroje.

Před začátkem

• Potvrďte, že data jsou veřejná. Může je vidět každý návštěvník bez přihlášení nebo platby? Pokud ano, pokračujte. Pokud ne, zastavte nebo získejte povolení.
• Zkontrolujte oficiální API. Mnoho platforem poskytuje strukturovaný přístup k datům, který se vyhýbá smluvní nejasnosti.
• Přečtěte si obchodní podmínky. Zaznamenejte všechna výslovná zákazy scrapingu, automatizovaného přístupu nebo komerčního použití. Zvažte riziko vymáhání na základě historie platformy a vašeho případu použití.
• Identifikujte osobní údaje. Budete sbírat jména, e-maily, telefonní čísla nebo jiné identifikátory? Pokud ano, určete svůj právní základ podle GDPR.
• Zkontrolujte autorská práva a práva k databázím. Extrahujete tvůrčí obsah (texty, obrázky) nebo faktická data (ceny, specifikace)? Plánujte používat fakta, ne kopie, a přidejte transformační hodnotu, pokud je to možné.

Během projektu

• Respektujte robots.txt. Nakonfigurujte svůj scraper tak, aby respektoval direktivy disallow, pokud nemáte právní důvod je přepsat.
• Omezte frekvenci požadavků. Rozložte požadavky, abyste nepřetížili cílový web. Jeden požadavek za sekundu je dobrý výchozí bod pro malé weby.
• Používejte jasný user-agent. Identifikujte svůj scraper popisným user-agent řetězcem a poskytněte kontaktní informace.
• Monitorujte bloky a chyby. Pokud obdržíte 403, 429 nebo captcha výzvy, zpomalte nebo zastavte.
• Ukládejte data bezpečně. Pokud sbíráte osobní údaje, šifrujte je při přenosu i v klidu, omezte přístup a dodržujte pravidla uchovávání dat.

Po sběru

• Používejte data ke stanovenému účelu. Neměňte účel osobních údajů bez nového právního základu.
• Uveďte zdroje, kde je to vhodné. Pokud zobrazujete sebraná data veřejně, odkažte zpět na původní web.
• Reagujte na žádosti o odstranění. Pokud vás vlastník webu požádá, abyste přestali nebo smazali data, berte žádost vážně.
• Pravidelně kontrolujte. Zákony se mění, obchodní podmínky se aktualizují a priority vymáhání se posouvají. Přezkoumejte kontrolu souladu ročně.

Kdy vyhledat právní poradenství

Některé projekty spadají přímo do bezpečných hranic – scraping veřejných produktových katalogů pro interní srovnání cen, sběr realitních inzerátů pro analýzu trhu nebo shromažďování zákaznických recenzí pro výzkum sentimentu. Jiné jsou nejednoznačné nebo vysoce rizikové. Měli byste se poradit s právníkem, pokud váš projekt zahrnuje cokoliv z následujícího:

• Scraping platformy, která v minulosti posílala výzvy k zastavení nebo žalovala scrapery.
• Sběr osobních údajů ve velkém měřítku, zejména pokud je plánujete prodávat, používat k profilování nebo kombinovat s jinými datasety.
• Opětovná publikace nebo distribuce sebraného obsahu způsobem, který konkuruje původnímu zdroji.
• Přístup k datům za přihlašovacími stránkami, paywally nebo technickými ochranami, i když máte účet.
• Provoz v regulovaném odvětví (finance, zdravotnictví, právní služby), kde je zpracování dat předmětem odvětvových pravidel.

Právník nemůže udělat nelegální projekt legálním, ale může vám pomoci strukturovat obhajitelný přístup, vypracovat podmínky a oznámení o ochraně osobních údajů a radit v oblasti zmírnění rizik. Pro vysoce hodnotné projekty – budování SaaS platformy na sebraných datech, spuštění srovnávacího webu nebo vytvoření komerčního datasetu – jsou náklady na právní poradenství skromné ve srovnání s náklady na soudní spor nebo pokuty od regulátorů.

Spolupráce se službou pro web scraping

Mnoho firem se rozhodne outsourcovat sběr dat místo budování scraperů interně. Profesionální služba přináší technickou expertízu, zvládá ochranu proti botům a rozumí právním hranicím. Při hodnocení poskytovatele se zeptejte na jejich postupy dodržování předpisů. Sbírají pouze veřejná data? Respektují robots.txt a omezení rychlosti? Vyhýbají se osobním údajům, pokud neposkytujete právní základ?

Kodrana udržuje katalog hotových scraperů pro běžné platformy – tržiště, realitní weby, pracovní portály, firemní adresáře – a vytváří vlastní scrapery pro nové zdroje během 2-5 pracovních dnů. Sbíráme pouze veřejně dostupná data, nikdy se nepřihlašujeme k účtům, které nevlastníme, a konfigurujeme každý scraper tak, aby respektoval technické a právní limity. Před zahájením projektu kontrolujeme cílový web a potvrzujeme proveditelnost. Pro nové klienty poskytujeme bezplatný vzorek 50-100 záznamů, abyste mohli ověřit kvalitu dat a dodržování předpisů před závazkem. Pokud si nejste jisti, zda je váš projekt proveditelný, pošlete nám web a pole, která potřebujete – zkontrolujeme úroveň ochrany a poradíme s právní a technickou cestou vpřed.