Du hittar ett riktigt bra inlägg på LinkedIn. Kommentarerna är guld. Sedan slösar du nästa timme på att scrolla, kopiera namn, klistra in reaktioner och försöka att inte tappa bort dig. Det blir rörigt, och ärligt talat är det lätt att missa de bästa insikterna.
Marknadschefer känner av det när de gör målgruppsresearch. Byråägare kör in i samma vägg när kunder frågar efter ”vad folk säger”. Och om du driver ett småföretag är LinkedIn Sheets-automatisering skillnaden mellan ”vi borde följa engagemang” och att faktiskt följa det.
Det här arbetsflödet hämtar kommentarer och reaktioner från ett LinkedIn-inlägg till Google Sheets och sorterar dem i strukturerade flikar. Du får se vad som automatiseras, vilka resultat du kan förvänta dig och vad du behöver för att få igång det.
Så fungerar automatiseringen
Hela n8n-arbetsflödet, från trigger till slutresultat:
n8n Workflow Template: LinkedIn till Google Sheets: kommentarer sorterade åt dig
flowchart LR
subgraph sg0["When clicking ‘Execute workflow’ Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Execute workf..", pos: "b", h: 48 }
n1@{ icon: "mdi:cog", form: "rounded", label: "Scrape profiles from a linke..", pos: "b", h: 48 }
n2@{ icon: "mdi:database", form: "rounded", label: "Append to Comments Sheet", pos: "b", h: 48 }
n3@{ icon: "mdi:database", form: "rounded", label: "Append to Reactions Sheet", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out Reactions", pos: "b", h: 48 }
n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out Comments", pos: "b", h: 48 }
n6@{ icon: "mdi:database", form: "rounded", label: "Get Post Url", pos: "b", h: 48 }
n7@{ icon: "mdi:database", form: "rounded", label: "Update row in sheet", pos: "b", h: 48 }
n6 --> n7
n5 --> n3
n4 --> n2
n7 --> n1
n1 --> n4
n1 --> n5
n0 --> n6
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n2,n3,n6,n7 database
Problemet: LinkedIn-engagemangsdata är jobbigt att fånga
LinkedIn är bra på att visa engagemang, och uselt på att låta dig göra något användbart med det. Om du vill tagga teman, bygga en swipe-fil med invändningar, identifiera aktiva kommenterare eller rapportera på reaktionstrender, hamnar du i manuellt arbete. En flik öppen för inlägget, en för kalkylarket, kanske en tredje för ett kunddokument. Sedan börjar felen: dubbletter, missade kommentarer, ihopblandade namn och ”vänta, vilket inlägg kom det här ifrån?” som smyger in i varje rad.
Det eskalerar snabbt. Så här faller det isär i verkligheten.
- Du lägger cirka 10 minuter per inlägg bara på att samla in kommentarer, och det är innan du ens organiserar dem.
- Reaktioner ignoreras eftersom de är tråkiga att fånga, vilket gör att du missar vilka som engagerar sig i det tysta.
- När du skalar bortom några få inlägg blir ditt ”system” en mix av skärmdumpar, halvifyllda ark och gissningar.
- Manuell copy-paste skapar små misstag som förstör rapporteringen senare, särskilt när du försöker avduplicera namn.
Lösningen: skrapa kommentarer + reaktioner till separata flikar i Sheets
Det här n8n-arbetsflödet använder Browserflow för att extrahera alla kommentarer och reaktioner från ett publikt LinkedIn-inlägg och sparar dem sedan i Google Sheets på ett organiserat sätt. Du börjar med en enkel flik, ”Posts”, som innehåller LinkedIn-inläggs-URL:er. När du kör arbetsflödet hämtar det nästa inlägg som inte har skrapats ännu, markerar det som bearbetat och skickar URL:en till Browserflow för extraktion. Därefter delar arbetsflödet upp resultatet i två flöden, så att kommentarer och reaktioner aldrig blandas ihop. Till sist lägger det till varje objekt i rätt flik i ditt ark, och bygger ett strukturerat dataset som du kan tagga, filtrera och rapportera på utan att behöva gå tillbaka till LinkedIn.
Arbetsflödet startar med en manuell körning i n8n. Det hämtar nästa oskrapade inläggs-URL från Google Sheets, skrapar engagemanget via Browserflow och skriver sedan tillbaka allt till två flikar: Comments och Reactions.
Det här får du: automatisering vs. resultat
| Vad arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du följer 10 LinkedIn-inlägg per vecka för research. Manuellt: om du lägger cirka 10 minuter på att samla kommentarer och ytterligare 10 minuter på att hämta reaktioner och rensa arket, blir det runt 3 timmar i veckan. Med det här arbetsflödet klistrar du in inläggs-URL:er i fliken Posts, klickar på Execute och låter Browserflow skrapa. Din ”mänskliga tid” hamnar närmare 2 minuter per inlägg, så du får tillbaka cirka 2,5 timmar varje vecka.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att lagra Posts, Comments och Reactions.
- Browserflow för att skrapa engagemang på LinkedIn-inlägg.
- Browserflow API-nyckel (hämta den i din Browserflow-kontos dashboard)
Nivå: Nybörjare. Du kopplar in autentisering, kopierar en ark-mall och mappar ett par fält.
Vill du inte sätta upp detta själv? Prata med en automatiseringsexpert (gratis 15-minuters konsultation).
Så fungerar det
Du kör det vid begäran. En manuell trigger startar arbetsflödet, vilket är perfekt när du kör ett researchblock och vill ha datan nu.
Det hämtar nästa inläggs-URL från ditt ark. n8n läser din Google Sheets-flik ”Posts”, hittar ett inlägg som inte har skrapats ännu och hämtar länken så att du slipper klistra in den i verktyg om och om igen.
Arbetsflödet markerar den raden som bearbetad. Det är den lilla detaljen som gör det användbart på lång sikt. Din flik ”Posts” blir en kö, inte en lista du måste passa.
Browserflow extraherar engagemanget, sedan separerar n8n det strukturerat. Kommentarer delas upp i ett flöde och läggs till i fliken Comments. Reaktioner går till fliken Reactions. Du får två dataset som är enkla att filtrera och analysera.
Du kan enkelt justera vilka kolumner du sparar för att ta med extra metadata (som inläggstema, kampanjnamn eller interna taggar) utifrån dina behov. Se hela implementationsguiden nedan för alternativ för anpassning.
Steg-för-steg-guide för implementering
Steg 1: konfigurera den manuella triggern
Det här arbetsflödet startas manuellt så att ni kan testa och köra LinkedIn-extraktionen vid behov.
- Lägg till noden Manual Run Trigger som arbetsflödets trigger.
- Lämna standardinställningarna och anslut sedan Manual Run Trigger till Retrieve Post Link.
Steg 2: anslut Google Sheets
Konfigurera alla Google Sheets-noder för att läsa nästa inlägg, markera det som behandlat och lagra extraherade leads.
- Öppna Retrieve Post Link och välj dokumentet med värdet Document ID
[YOUR_ID]och fliken Sheet NamePosts. - Ställ in filtret i Retrieve Post Link så att det använder scraped_at så att endast obehandlade rader returneras.
- Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter till Retrieve Post Link.
- Öppna Mark Row Processed och ställ in Operation till
update. - Ställ in kolumnmappningarna i Mark Row Processed till row_number
{{ $('Retrieve Post Link').item.json.row_number }}och scraped_at{{$now}}. - Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter till Mark Row Processed.
- Öppna Add Comments to Sheet och ställ in Operation till
appendmed Sheet NameComments. - Mappa fälten i Add Comments to Sheet: name
{{ $json.name }}, likes{{ $json.likes }}, comment{{ $json.comment }}, img_url==IMAGE("{{ $json.image_url }}";1), replies{{ $json.replies }}, tagline{{ $json.tagline }}, relation{{ $json.relation }}, linkedin_url{{ $json.linkedin_url }}. - Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter till Add Comments to Sheet.
- Öppna Add Reactions to Sheet och ställ in Operation till
appendmed Sheet NameReactions. - Mappa fälten i Add Reactions to Sheet: name
{{ $json.name }}, img_url==IMAGE("{{ $json.image_url }}";1), tagline{{ $json.tagline }}, relation{{ $json.relation }}, linkedin_url{{ $json.linkedin_url }}, reaction_type{{ $json.reaction_type }}. - Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter till Add Reactions to Sheet.
Posts, Comments och Reactions finns och matchar kolumnschemat, annars kommer update/append-operationerna att misslyckas.Steg 3: konfigurera Browserflow-extraktionen
Konfigurera Browserflow för att skrapa kommentatorer och reaktioner från LinkedIn-inläggets URL.
- Öppna Extract Post Profiles och ställ in Operation till
scrapeProfilesFromPostComments. - Ställ in postUrl till
{{ $('Retrieve Post Link').item.json.url }}så att URL:en hämtas från arket. - Aktivera addComments och addReactions (båda satta till
true). - Inloggning krävs: anslut era browserflowApi-uppgifter till Extract Post Profiles.
Steg 4: konfigurera split och routning av utdata
Dela upp kommentarer och reaktioner till enskilda objekt och skriv dem till separata ark.
- I Separate Comment Items, ställ in Field to Split Out till
comments. - I Separate Reaction Items, ställ in Field to Split Out till
reactions. - Anslut Separate Comment Items till Add Comments to Sheet och Separate Reaction Items till Add Reactions to Sheet.
Steg 5: testa och aktivera ert arbetsflöde
Kör ett manuellt test för att validera skrapningen och dataskrivningarna innan ni aktiverar.
- Klicka på Execute Workflow i n8n för att trigga Manual Run Trigger.
- Bekräfta att Retrieve Post Link hämtar en rad och att Mark Row Processed uppdaterar
scraped_atmed{{$now}}. - Verifiera att Extract Post Profiles returnerar arrayerna
commentsochreactions. - Kontrollera arken
CommentsochReactionsför nya rader som lagts till av Add Comments to Sheet och Add Reactions to Sheet. - När testningen är lyckad, växla arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- Autentisering för Google Sheets kan gå ut eller kräva specifika behörigheter. Om saker slutar fungera, kontrollera området Credentials i n8n och bekräfta att det kopplade Google-kontot fortfarande har åtkomst till det aktuella kalkylarket.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder misslyckas på grund av tomma svar.
- Browserflow-utdata kan ändras om LinkedIn uppdaterar layouten. Om skrapningen plötsligt ger färre objekt, kontrollera inställningarna i din Browserflow-nod och kör om på ett känt inlägg för att bekräfta att extraktionen fortfarande matchar det du förväntar dig.
Vanliga frågor
Cirka 30 minuter om ditt Sheet och ditt Browserflow-konto är redo.
Nej. Du installerar Browserflow community-noden och kopplar autentisering i n8n.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Browserflow-användning, som beror på hur många inlägg du skrapar.
Två alternativ: n8n Cloud (hanterat, enklast setup) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, men planera det i arket först. De flesta lägger till kolumner som ”Ämne”, ”Persona” eller ”Intent” i fliken Comments och mappar sedan de fälten när rader läggs till i Google Sheets-noderna. Om du vill filtrera kan du lägga till ett If-villkor efter ”Separate Comment Items” för att bara behålla kommentarer som matchar nyckelord, eller för att ignorera vissa reaktionstyper före ”Add Reactions to Sheet”. Det är också vanligt att justera logiken i ”Retrieve Post Link” så att den bara hämtar inlägg från ett specifikt kampanjblock.
Oftast är det en API-nyckelfråga eller att community-noden inte är installerad. Bekräfta att noden ”Browserflow for LinkedIn” är installerad, generera sedan om din Browserflow API-nyckel och uppdatera autentiseringen i n8n. Om det fortfarande misslyckas, kontrollera om LinkedIn-inlägget är publikt och nåbart; privata inlägg skrapas ofta dåligt.
Många, så länge din Browserflow-plan och n8n:s exekveringsgränser klarar volymen.
Om du behöver pålitlig förgrening (kommentarer vs. reaktioner), kö-liknande hantering från en Posts-flik och möjligheten att köra egen hosting, är n8n oftast ett bättre val. Zapier och Make fungerar för enkla ”ny rad → skicka meddelande”-automatiseringar, men skrapning och flerflödeshantering blir ofta klumpig eller dyr där. En annan praktisk punkt: den här mallen bygger på en community-nod för Browserflow, vilket är enkelt i n8n Cloud. Om du redan betalar för Zapier kan du fortfarande göra delar av arbetsflödet, men du kommer sannolikt att få fler rörliga delar. Prata med en automatiseringsexpert om du vill ha en snabb rekommendation för din exakta setup.
När det här väl rullar slutar LinkedIn-engagemang att vara ”något du organiserar senare”. Ditt ark håller sig strukturerat, din research blir enklare och du kan faktiskt använda datan.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.