Etsy mit Python scrapen: Ein vollständiger Leitfaden (2026)

Über 100 Millionen aktive Angebote, 5,6 Millionen Verkäufer und rund 450 Millionen Besuche pro Monat – so groß ist Etsy. Dahinter steckt ein riesiger Schatz an öffentlich verfügbaren Daten zu Preisen, Trends, Bewertungen und Wettbewerbern. Wer das schon einmal von Hand zusammengesucht hat, weiß, wie zermürbend das ist.

Ich habe einmal ein ganzes Wochenende damit verbracht, Konkurrenzprodukte für ein Marktanalyse-Projekt manuell zu katalogisieren. Spätestens bei Produkt Nummer 30 stellte ich alles infrage, was mich überhaupt zu dieser Tabelle gebracht hatte. Worauf ich hinaus will: Etsy-Daten sind enorm wertvoll für Preisanalyse, Produktentwicklung, Nischenfindung und Verkäufer-Benchmarking – aber nur, wenn man sie wirklich in großem Umfang erfassen kann. Genau darum geht es in diesem Leitfaden: ein einziges Tutorial, das zeigt, wie Sie Etsy mit Python über alle vier wichtigen Seitentypen hinweg scrapen (Suchergebnisse, Produktseiten, Shop-Seiten und Bewertungen) – plus ehrliche Hinweise zu Etsys Anti-Bot-Abwehr und eine No-Code-Alternative für alle, die das Programmieren lieber ganz überspringen.

Was bedeutet es, Etsy mit Python zu scrapen?

Web-Scraping heißt nichts anderes, als Code zu schreiben, der Webseiten aufruft und automatisch die Daten extrahiert, die Sie interessieren – Produktnamen, Preise, Beschreibungen, Bilder, Bewertungen, Shop-Details – und sie in ein strukturiertes Format wie eine Tabelle oder Datenbank überführt.

Python ist dafür die erste Wahl. Die Sprache ist einsteigerfreundlich, hat eine riesige Community und bietet ein tiefes Ökosystem an Bibliotheken fürs Scraping: Requests (zum Abrufen von Seiten), BeautifulSoup (zum Parsen von HTML), Selenium und Playwright (für Browser-Automatisierung) sowie pandas (zum Organisieren und Exportieren von Daten). Python gehört im jährlichen Entwickler-Umfragebericht von Stack Overflow seit Jahren konstant zu den Top 3 der beliebtesten Sprachen, und seine Scraping-Bibliotheken zählen zu den meistgeladenen auf PyPI.

Wenn Sie Etsy scrapen, ziehen Sie Daten aus dem HTML (und manchmal aus verstecktem JSON), das Etsy an Ihren Browser ausliefert. Zu den Daten, die sich extrahieren lassen, gehören:

Produktnamen, Preise, Beschreibungen, Bilder und Varianten
Verkäufer-/Shop-Infos (Name, Verkaufszahlen, Standort, Bewertung)
Bewertungen und vollständige Rezensionstexte
Suchergebnis-Listings, Kategorien und Trend-Signale

Warum Etsy scrapen? Praxisnahe Anwendungsfälle mit echtem ROI

Etsy zu scrapen ist nicht bloß eine technische Übung – es ist ein Wettbewerbsvorteil. Ob Verkäufer, Produktmanager oder Datenanalyst: Strukturierte Etsy-Daten direkt zur Hand zu haben, kann sich unmittelbar auf Ihr Ergebnis auswirken.

Anwendungsfall	Was Sie scrapen	Wer profitiert	Geschäftlicher Nutzen
Wettbewerbsfähige Preisanalyse	Suchergebnisse + Produktpreise	E-Commerce-Operations, Verkäufer	Dynamische Preisgestaltung kann den Umsatz im Schnitt um 5–22 % steigern
Nischen- und Trendentdeckung	Suchergebnisse, trendende Listings	Gründer, Analysten	Frühzeitig trendende Nischen erkennen (z. B. verzeichnete „preppy pajamas“ ein Suchwachstum von +1.112 %)
Produktentwicklung & Verbesserung	Bewertungen, Produktdetails	Produktteams	Eine Küchenwarenmarke eroberte mit Stimmungsdaten aus Bewertungen in 60 Tagen den #1-Bestseller zurück
SEO- & Keyword-Recherche	Suchergebnisse, Produkttitel/Tags	Marketing-Teams	Keywords mit hoher Nachfrage und geringer Konkurrenz identifizieren
Verkäufer-Benchmarking	Shop-Seiten, Verkaufszahlen	Vertriebsteams, Analysten	Qualifizierte Lead-Listen für 0,01–0,10 $ pro Datensatz statt gekaufter Listen aufbauen
Bestands- & Lagerüberwachung	Produktverfügbarkeit	E-Commerce-Operations	Schneller auf Bestandsänderungen von Wettbewerbern reagieren

Jeder dieser Anwendungsfälle braucht Daten von unterschiedlichen Etsy-Seitentypen – genau deshalb deckt dieses Tutorial alle vier ab.

Zeitersparnis: manuell vs. automatisiert

Manuelle Etsy-Recherche: 30–45 Minuten pro Produkt (50–75 Stunden für 100 Produkte)
Automatisiertes Scraping: 100 Listings in 2–5 Minuten
KI-gestütztes Scraping ist 30–40 % schneller bei bis zu 99,5 % Genauigkeit

Etsy-API vs. Web-Scraping: Was sollten Sie wählen?

Bevor Sie auch nur eine Zeile Code schreiben, lohnt die Frage: Etsys offizielle API nutzen oder die Website direkt scrapen? Diese Frage taucht in Foren ständig auf, und die Antwort hängt davon ab, welche Daten Sie brauchen.

Was die Etsy-API kann — und was nicht

Etsy bietet eine API v3 mit OAuth-2.0-Authentifizierung. Sie funktioniert für den Zugriff auf die Daten Ihres eigenen Shops – Listings, Bestellungen, Belege. Sie hat aber klare Grenzen:

Wettbewerbsdaten: Die API ist größtenteils auf Ihren eigenen Shop beschränkt. Preise, Verkäufe oder Listings anderer Verkäufer können Sie nicht abrufen.
Bewertungen: Es gibt keinen robusten Endpunkt für vollständige Rezensionstexte in großer Menge.
Rate Limits: Standardmäßig 10 Anfragen/Sekunde, 10.000 Anfragen/Tag. Die Offset-Grenze liegt bei 12.000 Datensätzen.
KI/ML-Nutzung: Wird im App-Review ausdrücklich abgelehnt.
Dokumentation: Beschwerden aus der Community sind weit verbreitet – schlechte Beispiele, veraltete Endpunkte, langsamer Support.

Wann Web-Scraping der bessere Weg ist

Brauchen Sie Wettbewerbsinformationen, Bewertungsstimmung, Analysen über mehrere Shops hinweg oder Daten, die die API nicht liefert, ist Scraping der richtige Weg. Der Haken: Sie treffen auf Etsys Anti-Bot-Abwehr (dazu gleich mehr) und müssen etwas Aufwand in die Einrichtung stecken.

Vergleichstabelle: API vs. Scraping vs. No-Code

Kriterium	Etsy Official API	Python Web-Scraping	Thunderbit (No-Code)
Zugriff auf Produktpreise	✅ (begrenzte Felder)	✅ Vollständiges HTML/JSON-LD	✅ KI extrahiert jedes sichtbare Feld
Bewertungsdaten	❌ Nicht in großer Menge verfügbar	✅ Über Bewertungsendpunkt/HTML	✅ Unterseiten-Scraping
Shop-Daten von Wettbewerbern	❌ Nur eigener Shop	✅ Jeder öffentliche Shop	✅ Jeder öffentliche Shop
Authentifizierung erforderlich	✅ OAuth 2.0	⚠️ Cookies für eingeloggte Daten	⚠️ Browser-Scraping für Login
Anti-Bot-Risiko	Keines	HOCH (DataDome)	Abgedeckt (browser-nativ)
Einrichtungszeit	Mittel (API-Keys, OAuth)	Hoch (Code + Proxies)	~2 Minuten

Brauchen Sie Wettbewerbsdaten, Bewertungen oder Analysen über mehrere Shops hinweg, deckt die API das schlicht nicht ab. So ehrlich ist die Lage.

Wählen Sie Ihren Python-Scraping-Ansatz, bevor Sie eine Zeile Code schreiben

Eine Frage, die mir auf Reddit und Stack Overflow ständig begegnet: „Soll ich Requests + BeautifulSoup, Selenium, eine Proxy-API oder etwas völlig anderes verwenden?“ Die richtige Antwort hängt von Ihrem Kenntnisstand, Ihrem Budget und Ihrem Anwendungsfall ab.

Ansatz	Am besten geeignet für	Lernkurve	Unterstützt JS?	Anti-Bot-Handling	Kosten
Requests + BeautifulSoup	Entwickler, die volle Kontrolle wollen	Mittel	❌	Manuell (Header, Proxies)	Kostenlos + Proxykosten
Selenium / Playwright	JS-lastige Seiten, Login-Flows	Hoch	✅	Teilweise (Browser-Fingerprint)	Kostenlos + Proxykosten
Proxy-API-Dienste	Skalierung + Umgehung von Anti-Bot	Mittel	✅ (über API)	✅ Integriert	ab 49 $/Monat
Thunderbit (No-Code)	Nicht-Entwickler, schnelle Extraktion	Sehr niedrig	✅ (browser-nativ)	✅ (Browser-Sitzung)	Kostenloser Tarif verfügbar

Wollen Sie volle Kontrolle und fühlen sich mit Python wohl, nehmen Sie Requests + BeautifulSoup. Brauchen Sie JavaScript-Rendering oder Login-Flows, nutzen Sie Selenium. Geht es um Anti-Bot-Umgehung in großem Stil, sollten Sie einen Proxy-Dienst in Betracht ziehen. Und wollen Sie Etsy-Daten, ohne Code zu schreiben oder zu pflegen, ist Thunderbit einen Blick wert – dazu später mehr.

Wie Etsy sich wehrt: DataDome Anti-Bot-Schutz verstehen

Die meisten Scraping-Guides sagen einfach „nimm einen Proxy“ und das war's. Für Etsy reicht das nicht. Etsy nutzt DataDome, eines der aggressivsten Anti-Bot-Systeme im Web. In DataDomes eigener Case Study wird Etsy als Erfolgsgeschichte hervorgehoben; dort heißt es, dass Scraper früher rund 1 % der Rechenkosten von Etsy ausmachten.

Was ist DataDome und wie funktioniert es?

DataDome prüft nicht nur Ihre IP-Adresse. Es verwendet eine mehrschichtige Erkennungslogik:

TLS-Fingerprinting (JA3): Die requests-Bibliothek von Python hat eine auffällige TLS-Signatur, die DataDome sofort erkennt.
Prüfung von HTTP-Headern und Protokollen: Es wird auf vollständige, konsistente Browser-Header geprüft – fehlende oder falsch sortierte Header sind ein Warnsignal.
JavaScript-Fingerprinting (Picasso-Protokoll): JS-Challenges laufen im Browser, um zu verifizieren, dass Sie ein echter Nutzer sind.
Verhaltensbasiertes ML: Analysiert pro Anfrage mehr als 35 Signale, mit über 85.000 site-spezifischen Modellen.
IP-Reputationsbewertung: Rechenzentrums-IPs werden sofort markiert.
Cookie-Prüfung: Das datadome-Cookie muss vorhanden und gültig sein.

Woran Sie merken, dass Sie blockiert wurden — und wie Sie das prüfen

Einer der häufigsten Stolpersteine: Sie erhalten eine 200 OK-Antwort, aber das HTML ist in Wahrheit eine CAPTCHA-Seite statt der gewünschten Daten. Weitere Anzeichen:

403 Forbidden-Fehler
Weiterleitungsschleifen
Der Response-Body enthält ein dd-JavaScript-Objekt oder CAPTCHA-HTML mit Slider

Prüfen Sie immer den Response-Body, nicht nur den Statuscode. Ein schneller Check:

if "captcha" in resp.text.lower() or "datadome" in resp.text.lower():
    print("Blockiert! Statt Daten wurde eine CAPTCHA-Seite zurückgegeben.")

Header und Cookies, die die Erkennung erschweren

Garantieren, dass Sie nicht geblockt werden, können Sie nie, aber realistische Header und sauberes Cookie-Management helfen enorm:

session = requests.Session()
session.headers.update({
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/133.0.0.0 Safari/537.36",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,*/*;q=0.8",
    "Accept-Language": "en-US,en;q=0.9",
    "Accept-Encoding": "gzip, deflate, br",
    "Sec-Ch-Ua": '"Chromium";v="133", "Not-A.Brand";v="99", "Google Chrome";v="133"',
    "Sec-Ch-Ua-Mobile": "?0",
    "Sec-Ch-Ua-Platform": '"Windows"',
    "Sec-Fetch-Dest": "document",
    "Sec-Fetch-Mode": "navigate",
    "Sec-Fetch-Site": "none",
    "Upgrade-Insecure-Requests": "1",
})

Ebenfalls wichtig:

Cookies über mehrere Anfragen hinweg beibehalten mit einer requests.Session().
Zufällige Pausen (2–7 Sekunden) zwischen den Anfragen einbauen.
Eine Referrer-Kette simulieren: Erst die Startseite aufrufen, dann die Suche, dann die Produktseiten.
Im großen Maßstab ist Residential-Proxy-Rotation unverzichtbar. Rechenzentrums-IPs werden nahezu sofort markiert.

Diese Techniken reduzieren die Erkennung, beseitigen sie aber nicht vollständig. Für Scraping mit hohem Volumen brauchen Sie wahrscheinlich einen Proxy-Dienst oder einen browserbasierten Ansatz.

Python-Umgebung einrichten, um Etsy zu scrapen

Bevor Sie beginnen:

Schwierigkeitsgrad: Mittel
Benötigte Zeit: ~30–60 Minuten (Einrichtung + erster Scrape)
Was Sie brauchen: Python 3.8+, pip, einen Code-Editor, den Chrome-Browser (für die DevTools-Analyse)

Abhängigkeiten installieren

Erstellen Sie einen Projektordner, richten Sie eine virtuelle Umgebung ein und installieren Sie die benötigten Bibliotheken:

mkdir etsy-scraper && cd etsy-scraper
python -m venv venv
source venv/bin/activate  # Unter Windows: venv\\Scripts\\activate

pip install requests beautifulsoup4 lxml pandas

requests — ruft Webseiten ab
beautifulsoup4 — parst HTML
lxml — schnellerer HTML-Parser (optional, aber empfohlen)
pandas — strukturiert Daten und exportiert sie nach CSV/Excel

Wenn Sie später Browser-Automatisierung brauchen (für Login oder JS-lastige Seiten), installieren Sie außerdem:

pip install selenium

Verstehen Sie die Seitenstruktur von Etsy, bevor Sie Code schreiben

Ein Tipp, der eine Menge Zeit spart: Etsy bettet auf den meisten Seiten strukturierte Produktdaten in <script type="application/ld+json">-Tags ein. Diese JSON-LD-Daten sind bereits sauber organisiert – Produktname, Preis, Bewertung, Bilder –, sodass Sie nicht für jedes Feld mit fragilen CSS-Selektoren ringen müssen.

Öffnen Sie eine beliebige Etsy-Produktseite, klicken Sie mit der rechten Maustaste auf „Seitenquelltext anzeigen“ und suchen Sie nach application/ld+json. Sie finden einen Block mit @type: Product, der die meisten benötigten Daten enthält. Suchergebnisseiten haben @type: ItemList.

CSS-Selektoren bleiben als Fallback nützlich (für Daten, die nicht in JSON-LD stehen, etwa Versanddetails oder Rezensionstext), aber JSON-LD sollte Ihr erster Anlaufpunkt sein.

Schritt 1: Etsy-Suchergebnisse mit Python scrapen

Suchergebnisse sind der Ausgangspunkt für die meisten Etsy-Scraping-Projekte – ob Sie eine Nische überwachen, die Preisentwicklung von Wettbewerbern verfolgen oder eine Produktdatenbank aufbauen.

Die Such-URL erstellen

Etsy-Such-URLs folgen diesem Muster:

https://www.etsy.com/search?q={keyword}&ref=pagination&page={page_number}

Bei mehrteiligen Suchanfragen sollten Sie die Leerzeichen URL-codieren (z. B. handmade+jewelry oder handmade%20jewelry). Der Parameter ref=pagination lässt die Anfrage mehr wie eine echte Browser-Navigation aussehen.

Weitere nützliche Parameter: order (most_relevant, price_asc, price_desc, date_desc), min_price, max_price, ship_to, free_shipping=true. Jede Seite liefert 48 Einträge.

Anfrage senden und HTML parsen

import requests
from bs4 import BeautifulSoup
import json
import time
import random

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/124.0.0.0 Safari/537.36",
    "Accept-Language": "en-US,en;q=0.9",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
}

def scrape_etsy_search(query, max_pages=3):
    all_products = []
    for page in range(1, max_pages + 1):
        url = f"https://www.etsy.com/search?q={query}&ref=pagination&page={page}"
        resp = requests.get(url, headers=headers, timeout=30)
        if "captcha" in resp.text.lower():
            print(f"Auf Seite {page} blockiert. Versuchen Sie es mit Pausen oder Proxies.")
            break
        soup = BeautifulSoup(resp.text, "lxml")
        for script in soup.find_all("script", type="application/ld+json"):
            data = json.loads(script.string)
            if data.get("@type") == "ItemList":
                for item in data.get("itemListElement", []):
                    all_products.append({
                        "name": item.get("name"),
                        "url": item.get("url"),
                        "image": item.get("image"),
                        "price": item.get("offers", {}).get("price"),
                        "currency": item.get("offers", {}).get("priceCurrency"),
                        "position": item.get("position"),
                    })
        time.sleep(random.uniform(2, 5))
    return all_products

Listing-Daten aus JSON-LD extrahieren

Das itemListElement-Array liefert Ihnen Name, URL, Bild, Preis und Währung jedes Listings. Brauchen Sie zusätzlich Sternebewertungen oder Ergebniszahlen (nicht immer in JSON-LD enthalten), greifen Sie auf CSS-Selektoren zurück:

Listing-Karte: .v2-listing-card
Titel: h3.v2-listing-card__title
Preis: span.currency-value
Link: a.listing-link (href)

Paginierung handhaben

Durchlaufen Sie die Seiten und fügen Sie zwischen den Anfragen eine zufällige Pause ein. Etsy gibt je nach Suchanfrage typischerweise bis zu 20–250 Seiten zurück.

results = scrape_etsy_search("handmade+jewelry", max_pages=5)
print(f"{len(results)} Produkte gescraped.")

Bei einem 5-Seiten-Scrape dauerte das in meinen Tests etwa 20 Sekunden – verglichen mit mehr als 30 Minuten manuellem Copy-Paste.

Schritt 2: Etsy-Produktseiten mit Python scrapen

Sobald Sie eine Liste von Produkt-URLs aus der Suche haben, ist der nächste Schritt, detaillierte Daten von jeder Angebotsseite zu ziehen.

Die Produktseite abrufen

def scrape_etsy_product(url):
    resp = requests.get(url, headers=headers, timeout=30)
    soup = BeautifulSoup(resp.text, "lxml")
    for script in soup.find_all("script", type="application/ld+json"):
        data = json.loads(script.string)
        if data.get("@type") == "Product":
            offers = data.get("offers", {})
            price = offers.get("price") or offers.get("lowPrice")
            rating_data = data.get("aggregateRating", {})
            return {
                "name": data.get("name"),
                "description": data.get("description", "")[:500],
                "brand": data.get("brand", {}).get("name") if isinstance(data.get("brand"), dict) else data.get("brand"),
                "category": data.get("category"),
                "price": price,
                "currency": offers.get("priceCurrency"),
                "availability": offers.get("availability"),
                "rating": rating_data.get("ratingValue"),
                "review_count": rating_data.get("reviewCount"),
                "images": data.get("image", []),
                "sku": data.get("sku"),
                "material": data.get("material"),
            }
    return None

Preisvarianten behandeln

Manche Produkte haben nur einen einzelnen offers.price. Andere (mit Varianten wie Größe oder Farbe) verwenden offers.lowPrice und offers.highPrice. Der Code oben deckt beides ab, indem er von price auf lowPrice zurückfällt.

Zusätzliche Felder per CSS-Selektor parsen

Für Daten, die nicht in JSON-LD stehen – Versandinfos, Variantenoptionen, vollständige Verkäuferdetails – brauchen Sie CSS-Selektoren:

Titel: h1[data-buy-box-listing-title]
Varianten: select[data-selector-id] oder div[data-option-set]
Versand: div.wt-text-caption in der Nähe des Versandbereichs

Der Kompromiss: JSON-LD ist sauberer und stabiler bei Layout-Änderungen. CSS-Selektoren sind fragiler, decken aber mehr Felder ab.

Schritt 3: Etsy-Shop-Seiten mit Python scrapen

Diesen Abschnitt lassen die meisten Konkurrenz-Guides komplett aus – dabei ist er für Vertriebsteams und Wettbewerbsanalysten wahrscheinlich der wertvollste.

Die Shop-URL erstellen und die Seite abrufen

def scrape_etsy_shop(shop_name):
    url = f"https://www.etsy.com/shop/{shop_name}"
    resp = requests.get(url, headers=headers, timeout=30)
    soup = BeautifulSoup(resp.text, "lxml")

    # Shop-Metadaten aus HTML (nicht in JSON-LD)
    sales_el = soup.select_one("div.shop-sales-reviews a")
    rating_el = soup.find("input", {"name": "initial-rating"})
    location_el = soup.select_one("div.shop-location")

    shop_data = {
        "name": shop_name,
        "sales": sales_el.text.strip() if sales_el else None,
        "rating": rating_el["value"] if rating_el else None,
        "location": location_el.text.strip() if location_el else None,
    }

    # Listings aus JSON-LD
    listings = []
    for script in soup.find_all("script", type="application/ld+json"):
        data = json.loads(script.string)
        if data.get("@type") == "ItemList":
            for item in data.get("itemListElement", []):
                listings.append({
                    "name": item.get("name"),
                    "url": item.get("url"),
                    "price": item.get("offers", {}).get("price"),
                })
    shop_data["listings"] = listings
    return shop_data

Was Sie von Shop-Seiten extrahieren können

JSON-LD auf Shop-Seiten ist @type: ItemList – es deckt die Produkt-Listings ab, aber nicht Shop-Metadaten wie Verkaufszahl, Standort oder Bewertung. Dafür brauchen Sie CSS-Selektoren:

Datenpunkt	Selektor	Hinweise
Shop-Name	`h1` oder Meta-Titel	Meist im Seitentitel
Gesamtverkäufe	`div.shop-sales-reviews a`	Text wie „12.345 Verkäufe“
Sternebewertung	Wert von `input[name="initial-rating"]`	Numerisch 1–5
Standort	`div.shop-location`	Stadt, Land
Mitglied seit	`div.shop-info`	Datumsangabe

Shop-Daten sind besonders wertvoll, wenn Sie Lead-Listen aufbauen, Wettbewerber benchmarken oder Top-Verkäufer in einer Nische identifizieren möchten.

Schritt 4: Etsy-Bewertungen mit Python scrapen

Bewertungen gehören zu den wertvollsten – und kniffligsten – Datenpunkten auf Etsy. Der vollständige Rezensionstext, die Bewertungen und die Daten stehen nicht im anfänglichen Seiten-HTML; sie werden über einen internen API-Endpunkt nachgeladen.

Ansatz 1: Etsys internen Reviews-API-Endpunkt finden

Öffnen Sie eine Produktseite in Chrome, starten Sie die DevTools (F12), wechseln Sie zum Network-Tab und scrollen Sie zum Bewertungsbereich. Dort sehen Sie eine POST-Anfrage an etwas wie:

https://www.etsy.com/api/v3/ajax/bespoke/member/neu/specs/deep_dive_reviews

Dieser Endpunkt liefert HTML-Fragmente mit den Bewertungskarten zurück. Um ihn zu nutzen, brauchen Sie:

listing_id — die numerische ID aus der Produkt-URL
shop_id — aus dem Produktseiten-HTML per Regex extrahieren
csrf_nonce — aus einem <meta>-Tag auf der Seite extrahieren

IDs und CSRF-Token extrahieren

import re

def get_review_params(product_url):
    resp = requests.get(product_url, headers=headers)
    html = resp.text
    listing_id = product_url.split("/")[-1].split("?")[0]
    shop_id_match = re.search(r'"shopId"\s*:\s*(\d+)', html)
    shop_id = shop_id_match.group(1) if shop_id_match else None
    soup = BeautifulSoup(html, "lxml")
    csrf_meta = soup.find("meta", {"name": "csrf_nonce"})
    csrf = csrf_meta["content"] if csrf_meta else None
    return listing_id, shop_id, csrf

Bewertungen mit Paginierung scrapen

def scrape_reviews(listing_id, shop_id, csrf, max_pages=5):
    session = requests.Session()
    session.headers.update(headers)
    all_reviews = []
    for page in range(1, max_pages + 1):
        payload = {
            "specs": {
                "deep_dive_reviews": {
                    "module_path": "neu/specs/deep_dive_reviews",
                    "listing_id": listing_id,
                    "shop_id": shop_id,
                    "page": page,
                }
            }
        }
        resp = session.post(
            "https://www.etsy.com/api/v3/ajax/bespoke/member/neu/specs/deep_dive_reviews",
            json=payload,
            headers={"x-csrf-token": csrf, "Content-Type": "application/json"},
        )
        data = resp.json()
        html_fragment = data.get("output", {}).get("deep_dive_reviews", "")
        review_soup = BeautifulSoup(html_fragment, "lxml")
        for card in review_soup.select("div.review-card"):
            rating_el = card.find("input", {"name": "rating"})
            text_el = card.select_one("div.wt-text-body")
            user_el = card.select_one("a[data-review-username]")
            date_el = card.select_one("p.wt-text-body-small")
            all_reviews.append({
                "rating": rating_el["value"] if rating_el else None,
                "text": text_el.text.strip() if text_el else None,
                "reviewer": user_el.text.strip() if user_el else None,
                "date": date_el.text.strip() if date_el else None,
            })
        time.sleep(random.uniform(2, 5))
    return all_reviews

Ansatz 2: Bewertungen aus HTML parsen (Fallback)

Scheitert der API-Ansatz (etwa wegen CSRF-Token-Problemen), parsen Sie die erste Bewertungsseite direkt aus dem HTML der Produktseite. Die Einschränkung: Nur der erste Block an Bewertungen steckt im statischen HTML. Für mehr brauchen Sie die API oder ein Browser-Automatisierungstool wie Selenium.

Login-pflichtige Daten handhaben: Ihren eigenen Etsy-Shop scrapen

Das ist eine Lücke, die kein anderer Leitfaden abdeckt, aber ein echter Bedarf – besonders für Etsy-Verkäufer, die ihre eigenen Bestellungen, Umsätze und Kennzahlen extrahieren wollen.

Das Problem: Mit requests allein kommen Sie nicht an Ihr Etsy-Dashboard, weil die Login-Session-Cookies fehlen.

Option 1: Selenium mit manuellem Login und Cookie-Erfassung

Verwenden Sie Selenium, um einen Browser zu öffnen, sich manuell anzumelden (oder den Login zu automatisieren) und dann im authentifizierten Zustand weiterzuscrapen:

from selenium import webdriver

driver = webdriver.Chrome()
driver.get("https://www.etsy.com/signin")
# Im Browserfenster manuell einloggen, dann:
input("Drücken Sie nach dem Login Enter...")

cookies = driver.get_cookies()
# Danach driver.get() nutzen, um zu Ihren Dashboard-Seiten zu navigieren und zu scrapen

Sie können Cookies aus der Selenium-Sitzung auch speichern und mit requests.Session() wiederverwenden, um nach dem ersten Login schneller und leichter zu scrapen.

Option 2: Browser-Cookies exportieren und mit Requests verwenden

Nutzen Sie eine Browser-Erweiterung (z. B. „EditThisCookie“), um Ihre aktiven Etsy-Sitzungscookies zu exportieren, und laden Sie sie dann in eine Requests-Sitzung:

import requests

session = requests.Session()
# Aus dem Browser exportierte Cookies hinzufügen
session.cookies.set("uaid", "YOUR_UAID_VALUE", domain=".etsy.com")
session.cookies.set("user_prefs", "YOUR_USER_PREFS_VALUE", domain=".etsy.com")
# ... bei Bedarf weitere Session-Cookies hinzufügen

resp = session.get("https://www.etsy.com/your/orders", headers=headers)

Der einfache Weg: Thunderbits Browser-Scraping-Modus

Da Thunderbit direkt in Ihrem Chrome-Browser läuft, übernimmt es Ihre aktive Etsy-Sitzung automatisch. Kein Authentifizierungscode, kein Cookie-Export – einfach Ihr Etsy-Dashboard öffnen und scrapen. Das ist wirklich hilfreich, um Bestellungen, Umsätze, Kennzahlen und andere Verkäuferdaten ohne Programmierung zu extrahieren.

Ihr Etsy-Dashboard mit KI scrapen

Ihre gescrapten Etsy-Daten exportieren und nutzen

Als CSV oder JSON speichern

import pandas as pd

df = pd.DataFrame(results)
df.to_csv("etsy_products.csv", index=False, encoding="utf-8")
df.to_json("etsy_products.json", orient="records", indent=2)

Best Practices: Fügen Sie Zeitstempel in Ihre Dateinamen ein, verwenden Sie UTF-8-Kodierung und gehen Sie sorgfältig mit Sonderzeichen in Produktnamen um (Etsy-Verkäufer lieben Emojis und Akzentzeichen).

Nach Google Sheets, Airtable oder Notion exportieren

Für Python-Nutzer ermöglichen Bibliotheken wie gspread (Google Sheets) oder die Airtable-API den programmgesteuerten Export. Nutzen Sie hingegen Thunderbit, sind alle Exporte – nach Google Sheets, Excel, Airtable und Notion – kostenlos und mit einem Klick erledigt. Keine API-Keys, kein OAuth-Setup.

Den Code überspringen: Etsy mit Thunderbit scrapen (No-Code-Alternative)

Nicht jeder will Python-Skripte schreiben, Proxy-Konfigurationen pflegen oder um 2 Uhr morgens CSS-Selektoren debuggen. Erkennen Sie sich darin wieder, kommen Sie mit Thunderbit so an Etsy-Daten.

Die Thunderbit-Chrome-Erweiterung installieren

Gehen Sie zum Chrome Web Store und installieren Sie Thunderbit. Erstellen Sie ein kostenloses Konto – der Gratis-Tarif umfasst 6 Seiten/Monat, und alle Exporte sind kostenlos.

Auf jeder Etsy-Seite „AI Suggest Fields“ verwenden

Navigieren Sie zu einer Etsy-Suche, Produkt- oder Shop-Seite. Klicken Sie in der Thunderbit-Seitenleiste auf „AI Suggest Fields“. Die KI scannt die Seite und schlägt Spalten vor – Produktname, Preis, Bewertung, Bilder, Shop-Name, Tags, Versandinfos. Passen Sie die Spalten bei Bedarf an oder fügen Sie weitere hinzu.

Auf „Scrape“ klicken und exportieren

Klicken Sie auf „Scrape“, um Daten von der aktuellen Seite zu extrahieren. Für mehrseitige Ergebnisse nutzen Sie das Pagination-Scraping von Thunderbit. Wollen Sie eine Liste von Produkt-URLs mit Details von jeder Produktseite anreichern (Beschreibungen, Bewertungen, Versand), verwenden Sie Unterseiten-Scraping – Thunderbit besucht jeden Link und zieht die zusätzlichen Daten automatisch.

Exportieren Sie nach Excel, Google Sheets, Airtable oder Notion – alles kostenlos.

Wann Thunderbit für Etsy-Scraping besser ist als Python

Kein Proxy-Setup und kein Anti-Bot-Code nötig. Thunderbit läuft in Ihrem echten Chrome-Browser, übernimmt Ihre Sitzung und wirkt für DataDome wie ein normaler Nutzer.
Die KI passt sich Layout-Änderungen automatisch an. Keine kaputten Selektoren, die repariert werden müssen, wenn Etsy sein Frontend aktualisiert.
Ideal für Einzelrecherchen, Wettbewerbsanalysen oder nicht-technische Teammitglieder. Wer nur schnell einen Datensatz braucht, benötigt keine Python-Umgebung.
Unterseiten-Scraping reichert eine Liste von Produkt-URLs mit detaillierten Daten an, ohne dass Sie verschachtelte Schleifen schreiben.

Eine Schritt-für-Schritt-Anleitung sehen Sie sich auf dem Thunderbit YouTube-Kanal an.

Python vs. Thunderbit: Kostenvergleich über 6 Monate

Faktor	Python DIY	Thunderbit
Einrichtungszeit	8–20 Stunden	Unter 5 Minuten
Kosten über 6 Monate (inkl. Arbeit, Proxies)	2.720–9.450 $	90–228 $
Monatliche Wartung	4–10+ Stunden (Selektor-Updates = 80 %+ Overhead)	0–1 Stunden
Anti-Bot-Handling	Residential Proxies zu 85-fachen Standard-Guthabenkosten	Browserbasiert, umgeht DataDome nativ
Datenqualität	Hoch (mit Aufwand)	Hoch (KI-gestützt)

Ich sage nicht, dass Python die falsche Wahl ist – wenn Sie volle Kontrolle, eigene Logik oder die Einbindung in eine größere Pipeline brauchen, ist Code unschlagbar. Aber für die meisten Business-User, die einfach Etsy-Daten benötigen, spricht die ROI-Rechnung eher für ein No-Code-Tool.

Rechtliche und ethische Hinweise zum Scraping von Etsy

Zu jedem Scraping-Beitrag werde ich nach der Legalität gefragt, daher die Kurzfassung:

Etsys Nutzungsbedingungen verbieten automatisierten Zugriff ausdrücklich. Allerdings setzt Etsy vor allem auf technische Durchsetzung (DataDome) statt auf Klagen – bekannte Etsy-spezifische Prozesse gegen Scraper gibt es nicht.
Scrapen Sie nur öffentlich verfügbare Daten. Umgehen Sie keine Authentifizierung und greifen Sie nicht auf private Verkäufer-Dashboards zu, die Ihnen nicht gehören.
Verwenden Sie angemessene Request-Raten. 2–7 Sekunden Pause zwischen den Anfragen, und überlasten Sie Etsys Server nicht.
Beachten Sie robots.txt. Etsy erlaubt Suchseiten, sperrt aber einige Pfade.
Gehen Sie verantwortungsvoll mit personenbezogenen Daten um im Sinne von Datenschutzgesetzen wie der DSGVO.
Lassen Sie sich rechtlich beraten bei Scraping-Projekten im kommerziellen Maßstab.

Weitere Hintergründe finden Sie in unserem Beitrag zu den rechtlichen Auswirkungen von Web-Scraping – einschließlich Meta v. Bright Data (2024), in dem öffentliches Scraping bestätigt wurde.

Fazit: Die wichtigsten Erkenntnisse

Wir haben hier viel abgedeckt. Das sollten Sie mitnehmen:

Etsys strukturierte JSON-LD-Daten machen das Extrahieren für die meisten Felder sauberer als das Parsen von Roh-HTML.
DataDome ist ein echtes Hindernis – verwenden Sie bei Python-Scraping im großen Stil passende Header, Pausen, Cookie-Management und Residential Proxies.
Die Etsy-API ist eingeschränkt. Brauchen Sie Bewertungen, Konkurrenz-Shops oder Analysen über mehrere Verkäufer hinweg, ist Scraping der praktische Weg.
Thunderbit bietet eine No-Code-Alternative, die Anti-Bot-Schutz und Authentifizierung nativ handhabt – einen Versuch wert, wenn Sie Etsy-Daten möchten, ohne Skripte zu pflegen.
Scrapen Sie immer verantwortungsvoll und respektieren Sie Etsys Bedingungen.

Wenn Sie loslegen möchten, ohne Code zu schreiben, testen Sie Thunderbit kostenlos. Oder nutzen Sie den Python-Code aus diesem Tutorial, um Ihren eigenen benutzerdefinierten Scraper zu bauen – und möge Ihr Selektor niemals an einem Freitagnachmittag brechen.

Weitere Scraping-Leitfäden finden Sie in unserem Etsy-Scraper-Leitfaden und im Überblick zu den besten KI-Web-Scrapern.

Thunderbit ausprobieren, um Etsy-Daten schneller zu scrapen Get Started Free

FAQs

1. Ist es legal, Etsy mit Python zu scrapen?

Das Scrapen öffentlich verfügbarer Daten ist nach aktuellen Rechtsgrundsätzen im Allgemeinen zulässig (z. B. Meta v. Bright Data, hiQ v. LinkedIn). Etsys Nutzungsbedingungen verbieten jedoch automatisierten Zugriff, daher sollten Sie vor dem Scraping immer die Nutzungsbedingungen und robots.txt prüfen. Für große oder kommerzielle Vorhaben sollten Sie juristischen Rat einholen.

2. Kann ich Etsy scrapen, ohne blockiert zu werden?

Etsy nutzt DataDome, eines der härtesten Anti-Bot-Systeme überhaupt. Realistische Header, Pausen zwischen Anfragen, persistente Cookies und die Rotation von Residential Proxies helfen alle dabei, Blockierungen zu reduzieren. Thunderbits browser-nativer Ansatz vermeidet die meisten Erkennungen, da er in Ihrer echten Chrome-Sitzung arbeitet.

3. Hat Etsy eine API, die ich statt Scraping nutzen kann?

Ja – Etsy bietet eine API v3, aber sie ist größtenteils auf die Daten Ihres eigenen Shops beschränkt und bietet keinen robusten Zugriff auf Bewertungen. Für die meisten Anwendungsfälle rund um Wettbewerbsinformationen und Analysen über mehrere Shops hinweg ist Scraping erforderlich.

4. Welche Python-Bibliotheken brauche ich, um Etsy zu scrapen?

Mindestens: requests, beautifulsoup4, pandas (für den Export) und json (integriert). Für JS-lastige oder login-pflichtige Seiten fügen Sie selenium hinzu. Für schnelleres HTML-Parsen verwenden Sie lxml.

5. Wie scrape ich gezielt Etsy-Bewertungen?

Etsy-Bewertungen werden über einen internen API-Endpunkt geladen (/api/v3/ajax/bespoke/member/neu/specs/deep_dive_reviews). Sie müssen die Listing-ID, Shop-ID und das CSRF-Token von der Produktseite extrahieren und dann mit Paginierung an den Endpunkt posten. Als Fallback parsen Sie den ersten Bewertungsblock direkt aus dem HTML der Produktseite – beide Vorgehensweisen werden in diesem Tutorial Schritt für Schritt erklärt.

Mehr erfahren

Daten mit KI extrahieren

Daten einfach zu Google Sheets, Airtable oder Notion übertragen

Chrome Store Rating

PRODUCT HUNT#1 Product of the Week

Etsy mit Python scrapen: Suche, Produkte, Shops & Bewertungen