Sådan scraper du Google Shopping-data — med eller uden kode

Google Shopping håndterer over . Det er et kæmpe flow af prisdata, produkttendenser og sælgerinformation — lige foran dig i browseren, samlet fra tusindvis af forhandlere.

Men at få de data ud af Google Shopping og ind i et regneark? Det er dér, det hurtigt bliver rodet. Jeg har brugt en del tid på at teste forskellige tilgange — fra no-code browserudvidelser til komplette Python-scripts — og oplevelsen spænder fra “wow, det var nemt” til “jeg har debugget CAPTCHAs i tre dage, og jeg orker ikke mere.” De fleste guides om emnet tager udgangspunkt i, at du er Python-udvikler, men efter min erfaring er mange af dem, der faktisk har brug for Google Shopping-data, ecommerce-ansvarlige, pricing-analytikere og marketingfolk, som bare vil have tallene uden at skrive kode. Derfor gennemgår denne guide tre metoder, sorteret fra den nemmeste til den mest tekniske, så du kan vælge den vej, der passer til dit niveau og din tid.

Hvad er Google Shopping-data?

Google Shopping er en produktsøgemaskine. Skriv “trådløse støjreducerende hovedtelefoner”, og Google viser resultater fra masser af onlinebutikker — produkttitler, priser, forhandlere, bedømmelser, billeder og links. Det er et levende katalog, der hele tiden opdateres med varer til salg på tværs af internettet.

Hvorfor scrape Google Shopping-data?

Én produktside fortæller dig næsten ingenting. Hundredevis af dem, struktureret i et regneark — dér begynder mønstrene at træde frem.

Her er de mest almindelige use cases, jeg har set:

bruger nu AI-drevne prissætningsværktøjer. Virksomheder, der investerer i konkurrencebaseret prisintelligens, har rapporteret afkast helt op til 29x. Amazon opdaterer priser cirka hvert 10. minut. Hvis du stadig tjekker konkurrentpriser manuelt, taler regnestykket ikke til din fordel.

Thunderbit er en AI Web Scraper Chrome Extension, som hjælper forretningsbrugere med at hente data fra websites ved hjælp af AI. Den er især nyttig for ecommerce-ansvarlige, pricing-analytikere og marketingfolk, der vil have strukturerede Google Shopping-data uden at skrive kode.

Hvilke data kan du egentlig hente fra Google Shopping?

Før du vælger et værktøj eller skriver en eneste linje kode, er det godt at vide præcis, hvilke felter der er tilgængelige — og hvilke der kræver ekstra arbejde at nå frem til.

Felter fra Google Shopping-søgeresultater

Når du laver en søgning på Google Shopping, indeholder hvert produktkort på resultatsiden:

Felter fra produktsider (subpage-data)

Hvis du klikker ind på et enkelt produkts detaljeside i Google Shopping, kan du få adgang til mere detaljerede data:

For at få disse felter skal du besøge hver produkts underside efter scraping af søgeresultaterne. Værktøjer med håndterer dette automatisk — jeg gennemgår workflowet nedenfor.

Tre måder at scrape Google Shopping-data på (vælg din vej)

Tre metoder, sorteret fra den nemmeste til den mest tekniske. Vælg den række, der passer til din situation, og spring videre:

Metode 1: Scrape Google Shopping-data uden kode (med Thunderbit)

• Sværhedsgrad: Begynder
• Tidsforbrug: ~2–5 minutter
• Det skal du bruge: Chrome-browser, (gratis niveau virker), en Google Shopping-søgning

Den hurtigste vej fra “jeg har brug for Google Shopping-data” til “her er mit regneark.” Ingen kode, ingen API-nøgler, ingen proxyopsætning. Jeg har ført ikke-tekniske kolleger gennem denne proces dusinvis af gange — og ingen er gået i stå.

Trin 1: Installer Thunderbit og åbn Google Shopping

Installer fra Chrome Web Store, og opret en gratis konto.

Gå derefter til Google Shopping. Du kan enten gå direkte til shopping.google.com eller bruge Shopping-fanen i en almindelig Google-søgning. Søg efter det produkt eller den kategori, du er interesseret i — for eksempel “wireless noise-cancelling headphones.”

Du bør nu se et grid med produktlister, priser, forhandlere og bedømmelser.

Trin 2: Klik på "AI Suggest Fields" for at auto-detektere kolonner

Klik på Thunderbit-udvidelsesikonet for at åbne sidepanelet, og tryk derefter på "AI Suggest Fields." AI’en scanner Google Shopping-siden og foreslår kolonner: Produkttitel, Pris, Sælger, Bedømmelse, Antal anmeldelser, Billed-URL, Produktlink.

Gennemgå de foreslåede felter. Du kan omdøbe kolonner, fjerne dem, du ikke har brug for, eller tilføje brugerdefinerede felter. Hvis du vil være mere specifik — fx “udtræk kun talprisen uden valutasymbolet” — kan du tilføje en Field AI Prompt til den kolonne.

Du bør kunne se en forhåndsvisning af kolonnestrukturen i Thunderbit-panelet.

Trin 3: Klik på "Scrape" og gennemgå resultaterne

Tryk på den blå "Scrape"-knap. Thunderbit henter alle synlige produktlister ind i en struktureret tabel.

Flere sider? Thunderbit håndterer pagination automatisk — enten ved at klikke sig gennem siderne eller ved at scrolle for at indlæse flere resultater, afhængigt af layoutet. Hvis du har mange resultater, kan du vælge mellem Cloud Scraping (hurtigere, håndterer op til 50 sider ad gangen, kører fra Thunderbits distribuerede infrastruktur) eller Browser Scraping (bruger din egen Chrome-session — nyttigt hvis Google viser regionsspecifikke resultater eller kræver login).

I min test tog scraping af 50 produktlister omkring 30 sekunder. Den samme opgave manuelt — åbne hver liste, kopiere titel, pris, sælger og bedømmelse — ville have taget mig 20+ minutter.

Trin 4: Berig data med subpage scraping

Efter dit første scrape klikker du på "Scrape Subpages" i Thunderbit-panelet. AI’en besøger hver produkts detaljeside og tilføjer ekstra felter — fulde beskrivelser, alle sælgerpriser, specifikationer og anmeldelser — til den oprindelige tabel.

Ingen ekstra opsætning er nødvendig — AI’en finder selv strukturen på hver detaljeside og henter de relevante data. Jeg byggede en komplet matrix til konkurrenceprisning (produkt + alle sælgerpriser + specs) for 40 produkter på under 5 minutter på denne måde.

Trin 5: Eksportér til Google Sheets, Excel, Airtable eller Notion

Klik på "Export" og vælg din destination — , Excel, Airtable eller Notion. Alt sammen gratis. CSV- og JSON-downloads er også tilgængelige.

To klik for at scrape, ét klik for at eksportere. Det tilsvarende Python-script? Omkring 60 linjer kode, proxyopsætning, CAPTCHA-håndtering og løbende vedligeholdelse.

Metode 2: Scrape Google Shopping-data med Python + en SERP API

• Sværhedsgrad: Mellem
• Tidsforbrug: ~30 minutter
• Det skal du bruge: Python 3.10+, requests- og pandas-biblioteker, en SERP API-nøgle (ScraperAPI, SerpApi eller lignende)

Hvis du har brug for programmatisk og gentagelig adgang til Google Shopping-data, er en SERP API den mest pålidelige Python-baserede metode. Anti-bot-foranstaltninger, JavaScript-rendering og proxy-rotation bliver håndteret bag kulisserne. Du sender en HTTP-anmodning, og får struktureret JSON tilbage.

Trin 1: Sæt dit Python-miljø op

Installer Python 3.12 (det sikreste standardvalg til produktion i 2025–2026) og de nødvendige pakker:

1pip install requests pandas

Opret en konto hos en SERP API-udbyder. tilbyder 100 gratis søgninger om måneden; giver 5.000 gratis credits. Hent din API-nøgle fra dashboardet.

Trin 2: Konfigurér din API-anmodning

Her er et minimalt eksempel med ScraperAPI’s Google Shopping-endpoint:

1import requests
2import pandas as pd
3API_KEY = "YOUR_API_KEY"
4query = "wireless noise cancelling headphones"
5resp = requests.get(
6    "https://api.scraperapi.com/structured/google/shopping",
7    params={"api_key": API_KEY, "query": query, "country_code": "us"}
8)
9data = resp.json()

API’et returnerer struktureret JSON med felter som title, price, link, thumbnail, source (sælger) og rating.

Trin 3: Parse JSON-svaret og udtræk felter

1products = data.get("shopping_results", [])
2rows = []
3for p in products:
4    rows.append({
5        "title": p.get("title"),
6        "price": p.get("price"),
7        "seller": p.get("source"),
8        "rating": p.get("rating"),
9        "reviews": p.get("reviews"),
10        "link": p.get("link"),
11        "thumbnail": p.get("thumbnail"),
12    })
13df = pd.DataFrame(rows)

Trin 4: Eksportér til CSV eller JSON

1df.to_csv("google_shopping_results.csv", index=False)

God til batch-kørsler: loop gennem 50 søgeord og byg et komplet datasæt i én scriptkørsel. Ulempen er prisen — SERP APIs tager betaling pr. forespørgsel, og ved tusindvis af forespørgsler om dagen vokser regningen hurtigt. Mere om priser nedenfor.

Metode 3: Scrape Google Shopping-data med Python + Playwright (browser automation)

• Sværhedsgrad: Avanceret
• Tidsforbrug: ~1 time+ (plus løbende vedligeholdelse)
• Det skal du bruge: Python 3.10+, Playwright, residential proxies og tålmodighed

Metoden med “fuld kontrol”. Du starter en rigtig browser, går til Google Shopping og udtrækker data fra den renderede side. Mest fleksibel, men også mest skrøbelig — Googles anti-bot-systemer er aggressive, og sidens struktur ændrer sig flere gange om året.

Fair advarsel: Jeg har talt med brugere, der brugte uger på at kæmpe mod CAPTCHAs og IP-blokeringer med denne tilgang. Det virker, men regn med løbende vedligeholdelse.

Trin 1: Sæt Playwright og proxies op

1pip install playwright
2playwright install chromium

Du får brug for residential proxies. Datacenter-IP’er bliver blokeret næsten med det samme — en forummedarbejder sagde det meget direkte: “Alle AWS IP'er bliver blokeret eller møder CAPTCHA efter 1/2 resultater.” Tjenester som Bright Data, Oxylabs eller Decodo tilbyder residential proxy-pools fra omkring $1–5/GB.

Konfigurér Playwright med en realistisk user-agent og din proxy:

1from playwright.sync_api import sync_playwright
2with sync_playwright() as p:
3    browser = p.chromium.launch(
4        headless=True,
5        proxy={"server": "http://your-proxy:port", "username": "user", "password": "pass"}
6    )
7    context = browser.new_context(
8        user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 ..."
9    )
10    page = context.new_page()

Trin 2: Gå til Google Shopping og håndter anti-bot-foranstaltninger

Byg Google Shopping-URL’en og åbn den:

1query = "wireless noise cancelling headphones"
2url = f"https://www.google.com/search?udm=28&q={query}&gl=us&hl=en"
3page.goto(url, wait_until="networkidle")

Håndtér EU-cookie-popup’en, hvis den dukker op:

1try:
2    page.click("button#L2AGLb", timeout=3000)
3except:
4    pass

Tilføj menneskelignende pauser mellem handlinger — 2–5 sekunders tilfældig ventetid mellem sideindlæsninger. Googles detektionssystemer opfanger hurtige og ensartede mønstre i anmodninger.

Trin 3: Scroll, paginér og udtræk produktdata

Google Shopping indlæser resultater dynamisk. Scroll for at udløse lazy loading, og udtræk derefter produktkort:

1import time, random
2# Scroll for at indlæse alle resultater
3for _ in range(3):
4    page.evaluate("window.scrollBy(0, 1000)")
5    time.sleep(random.uniform(1.5, 3.0))
6# Udtræk produktkort
7cards = page.query_selector_all("[jsname='ZvZkAe']")
8results = []
9for card in cards:
10    title = card.query_selector("h3")
11    price = card.query_selector("span.a8Pemb")
12    # ... udtræk andre felter
13    results.append({
14        "title": title.inner_text() if title else None,
15        "price": price.inner_text() if price else None,
16    })

En vigtig note: CSS-selectorerne ovenfor er omtrentlige og vil ændre sig. Google roterer class-navne ofte. Tre forskellige sæt selectorer er dokumenteret alene i perioden 2024–2026. Læn dig op ad mere stabile attributter som jsname, data-cid, <h3>-tags og img[alt] i stedet for class-navne.

Trin 4: Gem som CSV eller JSON

1import json
2from datetime import datetime
3filename = f"shopping_{datetime.now().strftime('%Y%m%d_%H%M')}.json"
4with open(filename, "w") as f:
5    json.dump(results, f, indent=2)

Forvent at skulle vedligeholde dette script jævnligt. Når Google ændrer sidens struktur — hvilket sker flere gange om året — går dine selectorer i stykker, og du er tilbage ved debugging.

Den største hovedpine: CAPTCHAs og anti-bot-blokering

Forum efter forum fortæller den samme historie: “Jeg brugte et par uger, men opgav over for Googles anti-bot-metoder.” CAPTCHAs og IP-blokeringer er den største årsag til, at folk opgiver DIY Google Shopping-scrapers.

Sådan blokerer Google scrapers (og hvad du kan gøre ved det)

I januar 2025 gjorde Google JavaScript-kørsel obligatorisk for SERP- og Shopping-resultater, — inklusiv pipelines brugt af SemRush og SimilarWeb. Så i september 2025 udfasede Google de gamle produktside-URL’er og sendte dem videre til en ny “Immersive Product”-visning, der indlæses via async AJAX. Enhver guide skrevet før slutningen af 2025 er derfor stort set forældet.

Hvordan hver metode håndterer disse udfordringer

SERP APIs håndterer alt bag kulisserne — proxies, rendering og CAPTCHA-løsning. Du behøver ikke tænke på det.

Thunderbit Cloud Scraping bruger distribueret cloud-infrastruktur på tværs af USA, EU og Asien til automatisk at håndtere JS-rendering og anti-bot-foranstaltninger. Browser Scraping-tilstanden bruger din egen autentificerede Chrome-session, som helt undgår detektion, fordi den ligner almindelig browsing.

DIY Playwright lægger hele byrden på dig — proxyhåndtering, tuning af pauser, CAPTCHA-løsning, vedligeholdelse af selectorer og konstant overvågning for fejl.

Den reelle pris for at scrape Google Shopping-data: en ærlig sammenligning

“$50 for omkring 20k forespørgsler… lidt dyrt for mit hobbyprojekt.” Den slags klager dukker hele tiden op i fora. Men samtalen glemmer som regel den største omkostning af dem alle.

Sammenligning af omkostninger

Den skjulte omkostning, alle ignorerer: din tid

En DIY-løsning til $0, der sluger 40 timers debugging, er ikke gratis. Ved $50 i timen er det $2.000 i arbejdskraft — for en scraper, der måske går i stykker igen næste måned, når Google ændrer sin DOM.

McKinseys Technology Outlook peger på, at . Under det niveau “æder intern udvikling budget uden at levere ROI.” For de fleste ecommerce-teams, der laver et par hundrede til et par tusinde opslag om ugen, er et no-code-værktøj eller en SERP API markant mere omkostningseffektivt end at bygge selv.

Sådan sætter du automatisk prisovervågning op for Google Shopping

De fleste guides behandler scraping som en engangsopgave. Det reelle use case for ecommerce-teams er løbende, automatiseret overvågning. Du har ikke bare brug for dagens priser — du har brug for gårsdagens, sidste uges og morgendagens.

Opsætning af planlagt scraping med Thunderbit

Thunderbits Scheduled Scraper lader dig beskrive tidsintervallet i almindeligt sprog — “hver dag kl. 9” eller “hver mandag og torsdag ved middagstid” — og AI’en omdanner det til en gentagende plan. Indtast dine Google Shopping-URL’er, klik "Schedule," og så er du færdig.

Hver kørsel eksporteres automatisk til Google Sheets, Airtable eller Notion. Slutresultatet: et regneark, der automatisk opdateres dagligt med konkurrentpriser og er klar til pivottabeller eller alarmer.

Ingen cron jobs. Ingen serveradministration. Ingen Lambda-hovedpine. (Jeg har set forumindlæg fra udviklere, der brugte dage på at få Selenium til at køre i AWS Lambda — Thunderbits scheduler springer det hele over.)

Hvis du vil vide mere om at bygge , har vi en separat dybdegående artikel.

Planlægning med Python (for udviklere)

Hvis du bruger SERP API-tilgangen, kan du planlægge kørsler med cron jobs (Linux/Mac), Windows Task Scheduler eller cloud-schedulere som AWS Lambda eller Google Cloud Functions. Python-biblioteker som APScheduler fungerer også.

Ulempen: du står nu selv for at overvåge scriptets sundhed, håndtere fejl, rotere proxies efter behov og opdatere selectorer, når Google ændrer siden. For de fleste teams overstiger den tid, der bruges på at vedligeholde en planlagt Python-scraper, prisen på et dedikeret værktøj.

Tips og best practices til scraping af Google Shopping-data

Uanset metode er der nogle ting, der kan spare dig for hovedpine.

Respektér rate limits

Undgå at bombardere Google med hundreder af hurtige forespørgsler — du bliver blokeret, og din IP kan forblive markeret et stykke tid. DIY-metoder: spred forespørgsler ud med 10–20 sekunders mellemrum og tilfældig variation. Værktøjer og API’er håndterer det for dig.

Match metoden til dit volumen

En hurtig beslutningsguide:

• < 10 forespørgsler/uge → Thunderbit gratis niveau eller SerpApi gratis niveau
• 10–1.000 forespørgsler/uge → betalt SERP API-plan eller
• 1.000+ forespørgsler/uge → SERP API enterprise-plan eller Thunderbit Open API

Rens og valider dine data

Priser kommer med valutasymboler, lokal formatering (1.299,00 € vs $1,299.00) og lejlighedsvis skrammeltegn. Brug Thunderbits Field AI Prompts til at normalisere under udtræk, eller rens dem bagefter med pandas:

1df["price_num"] = df["price"].str.replace(r"[^\d.]", "", regex=True).astype(float)

Tjek for dubletter mellem organiske og sponsorerede resultater — de overlapper ofte. Fjern dubletter baseret på tuple’en (titel, pris, sælger).

Kend det juridiske landskab

Scraping af offentligt tilgængelige produktdata er generelt lovligt, men det juridiske landskab udvikler sig hurtigt. Den vigtigste nylige udvikling: under DMCA § 1201 for at omgå Googles “SearchGuard”-anti-scraping-system. Det er en ny håndhævelsesvinkel, som går uden om de forsvar, der blev etableret i tidligere sager som hiQ v. LinkedIn og Van Buren v. United States.

Praktiske retningslinjer:

• Scrape kun offentligt tilgængelige data — log ikke ind for at få adgang til begrænset indhold
• Udtræk ikke personlige oplysninger (anmeldernavne, kontodetaljer)
• Vær opmærksom på, at Googles vilkår for brug forbyder automatiseret adgang — brug af en SERP API eller browserudvidelse reducerer (men eliminerer ikke) juridiske gråzoner
• For EU-operationer skal du huske GDPR, selvom produktlister overvejende er ikke-personlige kommercielle data
• Overvej at tale med en jurist, hvis du bygger et kommercielt produkt baseret på scrappede data

Hvis du vil have et dybere kig på , har vi skrevet om emnet separat.

Hvilken metode skal du bruge til at scrape Google Shopping-data?

Efter at have kørt alle tre metoder på de samme produktkategorier, endte jeg her:

Hvis du er en ikke-teknisk bruger, der hurtigt har brug for data — brug Thunderbit. Åbn Google Shopping, klik to gange, eksportér. Du har et rent regneark på under 5 minutter. lader dig prøve uden binding, og subpage scraping giver dig rigere data, end de fleste Python-scripts producerer.

Hvis du er udvikler og har brug for gentagelig, programmatisk adgang — brug en SERP API. Pålideligheden er værd at betale pr. forespørgsel for, og du slipper for alle anti-bot-hovedpinerne. SerpApi har den bedste dokumentation; ScraperAPI har det mest generøse gratis niveau.

Hvis du vil have maksimal kontrol og bygger en custom pipeline — Playwright fungerer, men gå ind med åbne øjne. Afsæt betydelig tid til proxyhåndtering, vedligeholdelse af selectorer og CAPTCHA-håndtering. I 2025–2026 er den minimale realistiske bypass-stack curl_cffi med Chrome-imitation + residential proxies + 10–20 sekunders pacing. Et rent requests-script med roterende user-agents er dødt.

Den bedste metode er den, der giver dig præcise data uden at æde hele din uge. For de fleste er det ikke et Python-script på 60 linjer — det er to klik.

Tjek , hvis du har brug for volumen, eller se vores tutorials på for at se workflowet i praksis.

FAQ

Er det lovligt at scrape Google Shopping-data?

Scraping af offentligt tilgængelige produktdata er generelt lovligt under præcedenser som hiQ v. LinkedIn og Van Buren v. United States. Men Googles vilkår for brug forbyder automatiseret adgang, og Googles december 2025-sag mod SerpApi introducerede en ny DMCA § 1201-teori om omgåelse. Brug af anerkendte værktøjer og API’er reducerer risikoen. Ved kommerciel brug bør du tale med en jurist.

Kan jeg scrape Google Shopping uden at blive blokeret?

Ja, men metoden betyder noget. SERP API’er håndterer anti-bot-foranstaltninger automatisk. Thunderbits Cloud Scraping bruger distribueret infrastruktur til at undgå blokeringer, mens Browser Scraping-tilstanden bruger din egen Chrome-session (som ligner normal browsing). DIY Python-scripts kræver residential proxies, menneskelignende pauser og TLS-fingerprinting-håndtering — og selv da er blokeringer almindelige.

Hvad er den nemmeste måde at scrape Google Shopping-data på?

Thunderbits Chrome Extension. Gå til Google Shopping, klik på "AI Suggest Fields", klik på "Scrape", og eksportér til Google Sheets eller Excel. Ingen kodning, ingen API-nøgler, ingen proxyopsætning. Hele processen tager omkring 2 minutter.

Hvor ofte kan jeg scrape Google Shopping til prisovervågning?

Med Thunderbits Scheduled Scraper kan du sætte daglig, ugentlig eller brugerdefineret overvågning op ved hjælp af beskrivelser i almindeligt sprog. Med SERP API’er afhænger frekvensen af din plans kreditgrænser — de fleste udbydere tilbyder nok til daglig overvågning af et par hundrede SKU’er. DIY-scripts kan køre så ofte, som din infrastruktur kan håndtere, men højere frekvens betyder mere anti-bot-hovedpine.

Kan jeg eksportere Google Shopping-data til Google Sheets eller Excel?

Ja. Thunderbit eksporterer direkte til Google Sheets, Excel, Airtable og Notion gratis. Python-scripts kan eksportere til CSV eller JSON, som du derefter kan importere til et hvilket som helst regnearksværktøj. Til løbende overvågning skaber Thunderbits planlagte eksport til Google Sheets et levende, automatisk opdateret datasæt.