Cómo extraer datos de Google Shopping: con o sin código

Google Shopping procesa más de . Es una barbaridad de datos sobre precios, tendencias de productos e información de vendedores, todo ahí mismo en tu navegador, reunido desde miles de tiendas.

¿Sacar esos datos de Google Shopping y llevarlos a una hoja de cálculo? Ahí es donde la cosa se pone cuesta arriba. He dedicado bastante tiempo a probar distintos enfoques — desde extensiones sin código hasta scripts completos en Python — y la experiencia va desde “¡vaya, qué fácil!” hasta “llevo tres días peleándome con CAPTCHAs y quiero tirar la toalla”. La mayoría de las guías sobre este tema asumen que eres desarrollador Python, pero en mi experiencia, gran parte de quienes necesitan datos de Google Shopping son responsables de ecommerce, analistas de precios y especialistas en marketing que solo quieren los números sin ponerse a programar. Por eso esta guía cubre tres métodos, ordenados de más fácil a más técnico, para que puedas elegir el que mejor encaje con tu nivel y el tiempo que tengas.

¿Qué es la información de Google Shopping?

Google Shopping es un buscador de productos. Escribe “auriculares inalámbricos con cancelación de ruido” y Google te muestra resultados de decenas de tiendas online: títulos, precios, vendedores, valoraciones, imágenes y enlaces. Es como un catálogo en vivo, siempre actualizado, de lo que se vende en internet.

¿Por qué extraer datos de Google Shopping?

Una sola ficha de producto dice poco. Cientos de ellas, organizadas en una hoja de cálculo, empiezan a revelar patrones.

Estos son los casos de uso más habituales que he visto:

ya usa herramientas de precios con IA. Las empresas que invierten en inteligencia competitiva de precios han reportado retornos de hasta 29 veces. Amazon actualiza sus precios aproximadamente cada 10 minutos. Si todavía revisas los precios de la competencia a mano, las cuentas no salen a tu favor.

Thunderbit es una extensión de Chrome de AI Web Scraper que ayuda a usuarios de negocio a extraer datos de sitios web usando IA. Resulta especialmente útil para equipos de ecommerce, analistas de precios y especialistas en marketing que quieren datos estructurados de Google Shopping sin escribir código.

¿Qué datos se pueden extraer realmente de Google Shopping?

Antes de elegir una herramienta o escribir una sola línea de código, conviene saber exactamente qué campos están disponibles y cuáles requieren trabajo adicional.

Campos de los resultados de búsqueda de Google Shopping

Cuando haces una búsqueda en Google Shopping, cada tarjeta de producto en la página de resultados contiene:

Campos de las páginas de detalle del producto (datos de subpágina)

Si haces clic en la ficha individual de un producto dentro de Google Shopping, puedes acceder a datos más completos:

Acceder a estos campos implica visitar la subpágina de cada producto después de extraer los resultados de búsqueda. Las herramientas con capacidad de lo hacen automáticamente; más abajo te explico el flujo de trabajo.

Tres formas de extraer datos de Google Shopping (elige tu camino)

Tres métodos, de más simple a más técnico. Elige la fila que encaje con tu situación y ve directo a ella:

Método 1: extraer datos de Google Shopping sin código (usando Thunderbit)

• Dificultad: Principiante
• Tiempo necesario: ~2–5 minutos
• Qué necesitas: navegador Chrome, (la versión gratuita funciona), una búsqueda en Google Shopping

La forma más rápida de pasar de “necesito datos de Google Shopping” a “aquí tienes mi hoja de cálculo”. Sin código, sin claves API, sin configurar proxies. He guiado a compañeros no técnicos por este flujo decenas de veces, y nadie se ha quedado atascado.

Paso 1: instala Thunderbit y abre Google Shopping

Instala desde Chrome Web Store y crea una cuenta gratuita.

Después entra en Google Shopping. Puedes ir directamente a shopping.google.com o usar la pestaña de Shopping dentro de una búsqueda normal de Google. Busca el producto o la categoría que te interese — por ejemplo, “wireless noise-cancelling headphones”.

Deberías ver una cuadrícula de productos con precios, vendedores y valoraciones.

Paso 2: haz clic en "AI Suggest Fields" para detectar columnas automáticamente

Haz clic en el icono de la extensión de Thunderbit para abrir la barra lateral y luego pulsa "AI Suggest Fields." La IA analiza la página de Google Shopping y propone columnas: título del producto, precio, vendedor, valoración, número de reseñas, URL de imagen y enlace del producto.

Revisa los campos sugeridos. Puedes renombrar columnas, eliminar las que no necesites o añadir campos personalizados. Si quieres algo más específico, por ejemplo “extraer solo el precio numérico sin el símbolo de la moneda”, puedes añadir un Field AI Prompt a esa columna.

Deberías ver una vista previa de la estructura de columnas en el panel de Thunderbit.

Paso 3: haz clic en "Scrape" y revisa los resultados

Pulsa el botón azul "Scrape". Thunderbit extrae todos los productos visibles y los convierte en una tabla estructurada.

¿Hay varias páginas? Thunderbit gestiona la paginación automáticamente, ya sea haciendo clic entre páginas o desplazándose para cargar más resultados, según el diseño. Si tienes muchos resultados, puedes elegir entre Cloud Scraping (más rápido, admite hasta 50 páginas a la vez y funciona desde la infraestructura distribuida de Thunderbit) o Browser Scraping (usa tu propia sesión de Chrome, útil si Google muestra resultados por región o requiere inicio de sesión).

En mis pruebas, extraer 50 fichas de producto tomó unos 30 segundos. Hacer lo mismo manualmente — abrir cada ficha, copiar título, precio, vendedor y valoración — me habría llevado más de 20 minutos.

Paso 4: enriquecer los datos con la extracción de subpáginas

Después de la extracción inicial, haz clic en "Scrape Subpages" en el panel de Thunderbit. La IA visita la página de detalle de cada producto y añade campos extra — descripciones completas, precios de todos los vendedores, especificaciones y reseñas — a la tabla original.

No hace falta configurar nada más: la IA entiende la estructura de cada página de detalle y extrae los datos relevantes. Yo llegué a crear una matriz completa de precios competitivos (producto + precios de todos los vendedores + especificaciones) para 40 productos en menos de 5 minutos de esta forma.

Paso 5: exporta a Google Sheets, Excel, Airtable o Notion

Haz clic en "Export" y elige tu destino: , Excel, Airtable o Notion. Todo gratis. También están disponibles las descargas en CSV y JSON.

Dos clics para extraer, un clic para exportar. ¿El equivalente en Python? Unos 60 líneas de código, configuración de proxies, gestión de CAPTCHA y mantenimiento continuo.

Método 2: extraer datos de Google Shopping con Python + una SERP API

• Dificultad: Intermedio
• Tiempo necesario: ~30 minutos
• Qué necesitas: Python 3.10 o superior, bibliotecas requests y pandas, una clave de SERP API (ScraperAPI, SerpApi o similar)

Si necesitas acceso programático y repetible a los datos de Google Shopping, una SERP API es la opción más fiable en Python. Medidas anti-bots, renderizado JavaScript, rotación de proxies: todo queda resuelto en segundo plano. Tú haces una petición HTTP y recibes JSON estructurado.

Paso 1: configura tu entorno Python

Instala Python 3.12 (el estándar más seguro para producción en 2025–2026) y los paquetes necesarios:

1pip install requests pandas

Regístrate en un proveedor de SERP API. ofrece 100 búsquedas gratis al mes; da 5.000 créditos gratuitos. Obtén tu clave API en el panel.

Paso 2: configura tu solicitud API

Aquí tienes un ejemplo mínimo usando el endpoint de Google Shopping de ScraperAPI:

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()

La API devuelve JSON estructurado con campos como title, price, link, thumbnail, source (vendedor) y rating.

Paso 3: analiza la respuesta JSON y extrae los campos

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)

Paso 4: exporta a CSV o JSON

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

Ideal para procesos por lotes: recorre 50 palabras clave y genera un dataset completo en una sola ejecución del script. La contrapartida es el coste: las SERP API cobran por consulta, y con miles de consultas al día la factura crece rápido. Más sobre precios abajo.

Método 3: extraer datos de Google Shopping con Python + Playwright (automatización del navegador)

• Dificultad: Avanzado
• Tiempo necesario: ~1 hora o más, además de mantenimiento continuo
• Qué necesitas: Python 3.10 o superior, Playwright, proxies residenciales, paciencia

El enfoque de “control total”. Abres un navegador real, entras en Google Shopping y extraes datos de la página renderizada. Es el más flexible, pero también el más frágil: los sistemas anti-bots de Google son agresivos y la estructura de la página cambia varias veces al año.

Advertencia honesta: he hablado con usuarios que pasaron semanas peleándose con CAPTCHAs y bloqueos de IP con este método. Funciona, pero exige mantenimiento constante.

Paso 1: instala Playwright y configura proxies

1pip install playwright
2playwright install chromium

Vas a necesitar proxies residenciales. Las IPs de centros de datos se bloquean casi de inmediato: un usuario de un foro lo resumió sin rodeos: “Todas las IPs de AWS serán bloqueadas o se enfrentarán a CAPTCHA tras 1 o 2 resultados.” Servicios como Bright Data, Oxylabs o Decodo ofrecen pools de proxies residenciales desde unos 1–5 USD/GB.

Configura Playwright con un user-agent realista y tu 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()

Paso 2: entra en Google Shopping y gestiona las medidas anti-bots

Construye la URL de Google Shopping y navega:

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")

Gestiona el aviso de cookies de la UE si aparece:

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

Añade pausas con comportamiento humano entre acciones: esperas aleatorias de 2 a 5 segundos entre cargas de página. Los sistemas de detección de Google detectan patrones de solicitudes rápidos y uniformes.

Paso 3: desplázate, pagina y extrae los datos de producto

Google Shopping carga resultados de forma dinámica. Desplázate para activar la carga diferida y luego extrae las tarjetas de producto:

1import time, random
2# Scroll para cargar todos los resultados
3for _ in range(3):
4    page.evaluate("window.scrollBy(0, 1000)")
5    time.sleep(random.uniform(1.5, 3.0))
6# Extraer tarjetas de producto
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    # ... extraer otros campos
13    results.append({
14        "title": title.inner_text() if title else None,
15        "price": price.inner_text() if price else None,
16    })

Un apunte clave: los selectores CSS anteriores son aproximados y van a cambiar. Google rota los nombres de clase con frecuencia. Solo en 2024–2026 se han documentado tres conjuntos distintos de selectores. Es mejor apoyarse en atributos más estables como jsname, data-cid, etiquetas <h3> e img[alt] en lugar de los nombres de clase.

Paso 4: guarda en CSV o 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)

Prepárate para mantener este script con regularidad. Cuando Google cambia la estructura de la página — algo que ocurre varias veces al año — tus selectores dejan de funcionar y vuelves a depurar.

El mayor dolor de cabeza: CAPTCHAs y bloqueos anti-bot

Foro tras foro, la misma historia: “Pasé unas semanas, pero me rendí ante los métodos anti-bot de Google”. Los CAPTCHAs y los bloqueos de IP son la principal razón por la que mucha gente abandona sus propios scrapers de Google Shopping.

Cómo bloquea Google a los scrapers y qué hacer al respecto

En enero de 2025, Google hizo obligatorio el uso de JavaScript para los resultados de SERP y Shopping, , incluidos los flujos usados por SemRush y SimilarWeb. Luego, en septiembre de 2025, Google descontinuó las antiguas URLs de páginas de detalle de producto y las redirigió a una nueva superficie de “Immersive Product” que se carga mediante AJAX asíncrono. Cualquier tutorial escrito antes de finales de 2025 ya quedó bastante desfasado.

Cómo maneja cada método estos problemas

Las SERP APIs gestionan todo en segundo plano: proxies, renderizado y resolución de CAPTCHAs. Tú no tienes que preocuparte por nada.

Thunderbit Cloud Scraping usa infraestructura distribuida en la nube en EE. UU., la UE y Asia para manejar automáticamente el renderizado JS y las medidas anti-bot. El modo Browser Scraping usa tu propia sesión autenticada de Chrome, lo que evita la detección porque parece navegación normal de un usuario.

Playwright hecho por tu cuenta te deja toda la carga encima: gestión de proxies, ajuste de tiempos, resolución de CAPTCHAs, mantenimiento de selectores y supervisión constante para detectar fallos.

El coste real de extraer datos de Google Shopping: comparación honesta

“50 dólares por unas 20k solicitudes... algo caro para mi proyecto personal.” Ese comentario aparece constantemente en foros. Pero normalmente la conversación ignora el mayor coste de todos.

Tabla comparativa de costes

El coste oculto que todos ignoran: tu tiempo

Una solución DIY de coste cero que se traga 40 horas de depuración no es gratis. A 50 dólares la hora, eso son 2.000 dólares en mano de obra, para un scraper que podría romperse otra vez el mes siguiente cuando Google cambie el DOM.

El Technology Outlook de McKinsey sitúa el punto de equilibrio entre construir y comprar solo . Por debajo de ese umbral, desarrollar internamente “consume presupuesto sin generar ROI”. Para la mayoría de equipos de ecommerce que hacen unos pocos cientos o miles de búsquedas por semana, una herramienta sin código o una SERP API resulta bastante más rentable que construirlo desde cero.

Cómo configurar un monitoreo automatizado de precios en Google Shopping

La mayoría de guías tratan la extracción como una tarea puntual. El caso real para equipos de ecommerce es el monitoreo continuo y automatizado. No necesitas solo los precios de hoy: también los de ayer, la semana pasada y mañana.

Configurar extracción programada con Thunderbit

El Scheduled Scraper de Thunderbit te permite describir el intervalo de tiempo en lenguaje natural — “todos los días a las 9 AM” o “todos los lunes y jueves al mediodía” — y la IA lo convierte en un calendario recurrente. Introduce las URLs de Google Shopping, haz clic en "Schedule" y listo.

Cada ejecución exporta automáticamente a Google Sheets, Airtable o Notion. El resultado: una hoja de cálculo que se rellena sola cada día con los precios de la competencia, lista para tablas dinámicas o alertas.

Sin cron jobs. Sin administrar servidores. Sin dolores de cabeza con funciones Lambda. (He visto publicaciones de desarrolladores que pasaron días intentando hacer funcionar Selenium en AWS Lambda; el programador de Thunderbit se salta todo eso.)

Si quieres profundizar en cómo crear , tenemos una guía aparte.

Programación con Python (para desarrolladores)

Si usas el enfoque de SERP API, puedes programar las ejecuciones con cron jobs (Linux/Mac), el Programador de tareas de Windows o planificadores en la nube como AWS Lambda o Google Cloud Functions. Las bibliotecas de Python como APScheduler también sirven.

La contrapartida: ahora eres responsable de supervisar la salud del script, gestionar fallos, rotar proxies según el calendario y actualizar selectores cuando Google cambie la página. Para la mayoría de equipos, el tiempo de ingeniería que exige mantener un scraper programado en Python supera el coste de una herramienta dedicada.

Consejos y buenas prácticas para extraer datos de Google Shopping

Sea cual sea el método, hay algunas cosas que te ahorrarán dolores de cabeza.

Respeta los límites de tasa

No bombardees a Google con cientos de solicitudes rápidas: te bloquearán, y tu IP puede quedar marcada durante un tiempo. En métodos DIY, espacia las solicitudes entre 10 y 20 segundos con variación aleatoria. Las herramientas y APIs lo gestionan por ti.

Adapta el método al volumen

Guía rápida de decisión:

• < 10 consultas/semana → plan gratuito de Thunderbit o de SerpApi
• 10–1.000 consultas/semana → plan de pago de SERP API o
• 1.000+ consultas/semana → plan empresarial de SERP API o Thunderbit Open API

Limpia y valida tus datos

Los precios vienen con símbolos de moneda, formatos locales (1.299,00 € vs $1,299.00) y, a veces, caracteres basura. Usa los Field AI Prompts de Thunderbit para normalizar al extraer o limpia después con pandas:

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

Comprueba duplicados entre resultados orgánicos y patrocinados: a menudo se solapan. Elimina duplicados por la tupla (título, precio, vendedor).

Conoce el panorama legal

Extraer datos de productos disponibles públicamente suele considerarse legal, pero el marco legal evoluciona rápido. El desarrollo más relevante reciente: bajo la sección 1201 de la DMCA por eludir el sistema anti-extracción “SearchGuard” de Google. Es una nueva vía de aplicación que esquiva defensas establecidas en casos anteriores como hiQ v. LinkedIn y Van Buren v. United States.

Pautas prácticas:

• Extrae solo datos públicos; no inicies sesión para acceder a contenido restringido
• No extraigas información personal (nombres de reseñadores, detalles de cuentas)
• Ten en cuenta que los Términos de Servicio de Google prohíben el acceso automatizado; usar una SERP API o una extensión de navegador reduce, pero no elimina, las zonas grises legales
• Para operaciones en la UE, ten presente el RGPD, aunque las fichas de producto son en su inmensa mayoría datos comerciales no personales
• Considera consultar con asesoría legal si vas a crear un producto comercial a partir de datos extraídos

Si quieres profundizar en las , tratamos el tema por separado.

¿Qué método deberías usar para extraer datos de Google Shopping?

Después de probar los tres enfoques en las mismas categorías de producto, esta es mi conclusión:

Si eres un usuario no técnico y necesitas datos rápido — usa Thunderbit. Abre Google Shopping, haz dos clics y exporta. Tendrás una hoja de cálculo limpia en menos de 5 minutos. El te permite probarlo sin compromiso, y la función de extracción de subpáginas te da datos más ricos que la mayoría de scripts en Python.

Si eres desarrollador y necesitas acceso programático repetible — usa una SERP API. La fiabilidad compensa el coste por consulta y te ahorras todos los problemas anti-bot. SerpApi tiene la mejor documentación; ScraperAPI tiene el plan gratuito más generoso.

Si necesitas el máximo control y estás construyendo un flujo personalizado — Playwright funciona, pero entra sabiendo lo que implica. Reserva tiempo importante para gestión de proxies, mantenimiento de selectores y manejo de CAPTCHAs. En 2025–2026, la pila mínima viable para eludir bloqueos es curl_cffi con suplantación de Chrome + proxies residenciales + pausas de 10–20 segundos. Un script simple de requests con user-agents rotatorios ya no sirve.

El mejor método es el que te da datos precisos sin comerse tu semana. Para la mayoría, eso no es un script de Python de 60 líneas: son dos clics.

Consulta si necesitas volumen, o mira nuestros tutoriales en el para ver el flujo en acción.

Preguntas frecuentes

¿Es legal extraer datos de Google Shopping?

Extraer datos de productos disponibles públicamente suele ser legal según precedentes como hiQ v. LinkedIn y Van Buren v. United States. Sin embargo, los Términos de Servicio de Google prohíben el acceso automatizado, y la demanda de Google contra SerpApi en diciembre de 2025 introdujo una nueva teoría de elusión bajo la DMCA § 1201. Usar herramientas y APIs de buena reputación reduce el riesgo. Para casos de uso comercial, consulta con asesoría legal.

¿Puedo extraer Google Shopping sin que me bloqueen?

Sí, pero el método importa. Las SERP APIs gestionan las medidas anti-bot automáticamente. El Cloud Scraping de Thunderbit usa infraestructura distribuida para evitar bloqueos, mientras que su modo Browser Scraping usa tu propia sesión de Chrome, que parece navegación normal. Los scripts de Python hechos por tu cuenta requieren proxies residenciales, pausas humanas y gestión de huella TLS, y aun así los bloqueos son frecuentes.

¿Cuál es la forma más fácil de extraer datos de Google Shopping?

La extensión de Chrome de Thunderbit. Entra en Google Shopping, haz clic en "AI Suggest Fields", pulsa "Scrape" y exporta a Google Sheets o Excel. Sin programar, sin claves API, sin configuración de proxies. Todo el proceso tarda unos 2 minutos.

¿Con qué frecuencia puedo extraer Google Shopping para monitorear precios?

Con el Scheduled Scraper de Thunderbit puedes configurar monitoreo diario, semanal o con intervalos personalizados usando descripciones en lenguaje natural. Con las SERP APIs, la frecuencia depende del límite de créditos de tu plan; la mayoría de proveedores ofrecen suficiente para monitorear a diario unos cientos de SKU. Los scripts DIY pueden ejecutarse tan a menudo como permita tu infraestructura, pero cuanto mayor es la frecuencia, más problemas anti-bot aparecen.

¿Puedo exportar datos de Google Shopping a Google Sheets o Excel?

Sí. Thunderbit exporta directamente a Google Sheets, Excel, Airtable y Notion de forma gratuita. Los scripts en Python pueden exportar a CSV o JSON, que luego puedes importar a cualquier herramienta de hojas de cálculo. Para monitoreo continuo, las exportaciones programadas de Thunderbit a Google Sheets crean un dataset en vivo y siempre actualizado.