Comment extraire des données Google Maps avec Python

Si vous avez déjà essayé de monter une liste de prospection ultra ciblée, d’explorer de nouveaux marchés ou de comparer vos concurrents, vous savez à quel point Google Maps est une vraie pépite. Mais voici le point clé : avec plus de 1,5 milliard de recherches “près de moi” chaque mois et 76 % des internautes qui se rendent dans un établissement dans les 24 heures (), le besoin en données locales, fraîches et fiables n’a jamais été aussi fort.

Que vous soyez en vente, en marketing ou en opérations, extraire des données structurées depuis Google Maps peut faire toute la différence entre un simple appel à froid et un lead qualifié, beaucoup plus susceptible de convertir.

Je travaille depuis des années dans le SaaS et l’automatisation, et j’ai vu de mes propres yeux comment des équipes utilisent Python — et désormais des outils boostés à l’IA comme — pour transformer Google Maps en levier stratégique. Dans ce guide, je vous montre pas à pas comment extraire des données Google Maps avec Python en 2026, avec du code, des conseils de conformité et une comparaison avec les solutions no-code. Que vous soyez un pro de Python ou simplement à la recherche du moyen le plus rapide d’obtenir des données exploitables, vous êtes au bon endroit.

Que signifie extraire des données Google Maps avec Python ?

Commençons par la base : extraire des données Google Maps avec Python consiste à récupérer automatiquement des infos sur des entreprises — comme le nom, l’adresse, la note, les avis, le numéro de téléphone ou encore les coordonnées — depuis Google Maps, afin de pouvoir les analyser, les filtrer et les exporter pour un usage pro.

Il y a deux grandes approches :

1. L’API Google Maps Places : la méthode officielle et autorisée. Vous utilisez une clé API pour interroger les serveurs de Google et récupérer des données JSON structurées. C’est stable, prévisible et généralement conforme, mais soumis à des quotas et à des coûts.
2. Le scraping HTML : vous automatisez un navigateur (avec Playwright ou Selenium, par exemple) pour charger Google Maps, lancer des recherches et analyser la page rendue. C’est plus flexible, mais aussi plus fragile : Google modifie souvent la structure du site, et le scraping HTML peut aller à l’encontre de ses conditions d’utilisation.

Champs de données généralement récupérables :

• Nom de l’entreprise
• Catégorie / type
• Adresse complète (ville, région, code postal, pays inclus)
• Latitude et longitude
• Numéro de téléphone
• URL du site web
• Note et nombre d’avis
• Niveau de prix
• Statut de l’établissement (ouvert/fermé)
• Horaires d’ouverture
• Place ID (identifiant unique Google)
• URL Google Maps

Pourquoi c’est important ? Parce que ces données servent à tout : génération de leads, planification territoriale, analyse concurrentielle et étude de marché. Le vrai enjeu, c’est de cibler les bonnes infos selon vos objectifs business — inutile de tout extraire à l’aveugle.

Pourquoi les équipes commerciales et marketing extraient des données Google Maps avec Python

Passons au concret. Pourquoi autant d’équipes sales et marketing s’intéressent aux données Google Maps en 2026 ?

• Génération de leads : créez des listes ultra ciblées d’entreprises locales avec coordonnées et notes pour vos campagnes de prospection.
• Planification territoriale : dessinez vos zones commerciales, de livraison ou d’intervention selon la densité réelle d’entreprises et leurs typologies.
• Veille concurrentielle : suivez l’évolution des emplacements, des notes et des avis de vos concurrents pour repérer les tendances et les opportunités.
• Étude de marché : analysez les catégories d’entreprises, les horaires d’ouverture et le sentiment des avis pour orienter votre stratégie de lancement.
• Choix d’implantation : dans l’immobilier ou le retail, évaluez un emplacement potentiel selon les services à proximité, le trafic et la concurrence.

Impact concret : selon le , 92 % des équipes commerciales prévoient d’augmenter leurs investissements IA/data, et les équipes qui exploitent des données locales et ciblées obtiennent des taux de conversion jusqu’à 8× supérieurs à ceux qui s’appuient sur des listes froides génériques (). Une étude sur la génération de leads pour les franchises a même montré 15 $ de chiffre d’affaires supplémentaire pour 1 $ dépensé sur des listes de prospects basées sur Google Maps.

Associer les objectifs business aux champs Google Maps :

Préparer votre extracteur Google Maps Python : outils et prérequis

Avant de vous lancer, il faut préparer votre environnement Python et rassembler les bons outils. Voici ce qu’il vous faut en 2026 :

1. Installer Python et les bibliothèques nécessaires

Version Python recommandée : 3.10 ou plus récente.

Installation des bibliothèques principales :

1pip install \
2  requests==2.33.1 httpx==0.28.1 \
3  beautifulsoup4==4.14.3 lxml==6.0.3 \
4  pandas==2.3.3 \
5  selenium==4.43.0 playwright==1.58.0 \
6  googlemaps==4.10.0 google-maps-places==0.8.0 \
7  schedule==1.2.2 APScheduler==3.11.2 \
8  python-dotenv==1.2.2 tenacity==9.1.4
9playwright install chromium

Rôle de ces outils :

• requests, httpx : requêtes HTTP (appels API)
• beautifulsoup4, lxml : analyse HTML (pour le scraping web)
• pandas : nettoyage, analyse et export des données
• selenium, playwright : automatisation du navigateur (pour le scraping HTML)
• googlemaps, google-maps-places : clients API Google Maps
• schedule, APScheduler : planification des tâches
• python-dotenv : chargement sécurisé des clés API depuis des fichiers .env
• tenacity : logique de relance en cas d’erreur

2. Obtenir une clé API Google Maps (pour une extraction basée sur l’API)

• Rendez-vous sur .
• Créez ou sélectionnez un projet.
• Activez la facturation (obligatoire, même pour l’utilisation du niveau gratuit).
• Activez Places API (New) dans APIs & Services > Library.
• Allez dans Credentials > Create Credentials > API Key.
• Restreignez la clé aux API et IP nécessaires pour renforcer la sécurité.
• Stockez la clé dans un fichier .env (ne l’ajoutez jamais au code source) :

1GOOGLE_MAPS_API_KEY=your_actual_api_key_here

À noter : depuis mars 2025, Google n’offre plus le crédit universel de 200 $/mois. À la place, des seuils mensuels gratuits existent selon le palier d’API (voir la ).

Comment extraire des données Google Maps avec Python : guide pas à pas

Décortiquons les deux approches principales — via API et via scraping HTML — pour que vous puissiez choisir celle qui vous convient.

Approche 1 : utiliser l’API Google Maps Places (recommandé)

Étape 1 : installer et importer les bibliothèques nécessaires

1import os
2import httpx
3import pandas as pd
4from dotenv import load_dotenv

Étape 2 : charger votre clé API de façon sécurisée

1load_dotenv()
2API_KEY = os.environ["GOOGLE_MAPS_API_KEY"]

Étape 3 : construire votre requête de recherche

Vous utiliserez l’endpoint Text Search pour trouver les entreprises correspondant à vos critères.

1URL = "https://places.googleapis.com/v1/places:searchText"
2FIELD_MASK = ",".join([
3    "places.id", "places.displayName", "places.formattedAddress",
4    "places.location", "places.rating", "places.userRatingCount",
5    "places.priceLevel", "places.types",
6    "places.nationalPhoneNumber", "places.websiteUri",
7    "nextPageToken",
8])

Étape 4 : envoyer la requête API

1def text_search(query, lat, lng, radius=3000, min_rating=4.0):
2    body = {
3        "textQuery": query,
4        "minRating": min_rating,  # filtre côté serveur
5        "includedType": "restaurant",
6        "openNow": False,
7        "pageSize": 20,
8        "locationBias": {
9            "circle": {
10                "center": {"latitude": lat, "longitude": lng},
11                "radius": radius,
12            }
13        },
14    }
15    headers = {
16        "Content-Type": "application/json",
17        "X-Goog-Api-Key": API_KEY,
18        "X-Goog-FieldMask": FIELD_MASK,  # à définir systématiquement !
19    }
20    r = httpx.post(URL, json=body, headers=headers, timeout=30)
21    r.raise_for_status()
22    return r.json()

Étape 5 : gérer la pagination et collecter les résultats

1def collect_all_results(query, lat, lng, radius=3000, min_rating=4.0):
2    results = []
3    next_page_token = None
4    while True:
5        data = text_search(query, lat, lng, radius, min_rating)
6        places = data.get('places', [])
7        results.extend(places)
8        next_page_token = data.get('nextPageToken')
9        if not next_page_token:
10            break
11    return results

Étape 6 : exporter les données avec Pandas

1df = pd.DataFrame(collect_all_results("coffee shops in Brooklyn", 40.6782, -73.9442))
2df.to_csv("brooklyn_coffee_shops.csv", index=False)

Conseils pratiques :

• Définissez toujours l’en-tête X-Goog-FieldMask pour garder la main sur vos coûts. Si vous demandez des avis ou des photos, le coût pour 1 000 requêtes peut passer de 5 $ à 25 $ ().
• Utilisez des filtres côté serveur (minRating, includedType, locationBias) pour éviter de gaspiller des crédits sur des résultats hors sujet.
• Mettez en cache les valeurs place_id pour dédupliquer les données et faciliter les mises à jour futures.

Approche 2 : scraper le HTML Google Maps (pour un usage ponctuel ou pédagogique)

Avertissement : Google Maps est une application monopage. Vous devez utiliser l’automatisation du navigateur (Playwright ou Selenium), et le scraping HTML peut enfreindre les conditions d’utilisation de Google. Réservez cette approche à la recherche ou à un usage ponctuel, pas à la production.

Étape 1 : installer Playwright et lancer un navigateur

1from playwright.sync_api import sync_playwright
2import time, re
3def scrape_maps(query, max_results=100):
4    with sync_playwright() as pw:
5        browser = pw.chromium.launch(headless=True)
6        ctx = browser.new_context(
7            user_agent="Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36",
8            locale="en-US",
9        )
10        page = ctx.new_page()
11        page.goto("https://www.google.com/maps", timeout=60_000)
12        page.fill("#searchboxinput", query)
13        page.click('button[aria-label="Search"]')
14        page.wait_for_selector('div[role="feed"]')
15        feed = page.locator('div[role="feed"]')
16        prev = 0
17        while True:
18            feed.evaluate("el => el.scrollBy(0, el.scrollHeight)")
19            time.sleep(2)
20            count = page.locator('div[role="feed"] > div > div[jsaction]').count()
21            if count == prev or count >= max_results:
22                break
23            prev = count
24            if page.locator("text=You've reached the end of the list").count():
25                break
26        rows = []
27        cards = page.locator('div[role="feed"] > div > div[jsaction]')
28        for i in range(cards.count()):
29            c = cards.nth(i)
30            name = c.locator("div.fontHeadlineSmall").inner_text() if c.locator("div.fontHeadlineSmall").count() else ""
31            rating_el = c.locator('span[role="img"]').first
32            raw = rating_el.get_attribute("aria-label") if rating_el.count() else ""
33            m = re.search(r"([\d.]+)\s+stars?\s+([\d,]+)\s+Reviews", raw or "")
34            rating  = float(m.group(1)) if m else None
35            reviews = int(m.group(2).replace(",", "")) if m else None
36            rows.append({"name": name, "rating": rating, "reviews": reviews})
37        browser.close()
38        return rows

Conseils :

• Google change régulièrement ses classes CSS, donc ce code devra probablement être mis à jour de temps en temps.
• Introduisez des délais réalistes et évitez de scraper trop vite pour limiter les risques de blocage.
• N’essayez jamais de contourner les CAPTCHA ou le système SearchGuard de Google : cela peut entraîner des risques juridiques.

Éviter l’extraction aveugle : comment cibler précisément les données dont vous avez besoin

Extraire tout ce qui est possible est souvent le meilleur moyen de perdre du temps et de se retrouver avec des jeux de données trop lourds. Voici comment ne récupérer que les données utiles :

• Créer des listes d’URL ciblées : utilisez les filtres de recherche Google Maps (catégorie, localisation, note, ouvert maintenant) pour réduire le périmètre avant l’extraction.
• Utiliser la correspondance par expression : cherchez des types d’activité ou des mots-clés précis (ex. “vegan bakery in Austin”).
• Appliquer des filtres géographiques : indiquez une ville, un quartier ou même des coordonnées avec un rayon pour viser juste.
• Filtrage côté serveur (API) : utilisez minRating, includedType et locationBias dans le corps de votre requête.
• Filtrage côté client (Python) : après l’extraction, servez-vous de pandas pour ne garder que les entreprises avec une note supérieure à 4,0, plus de 50 avis ou certaines catégories précises.

Exemple : ne garder que les restaurants de Manhattan avec une note supérieure à 4,0

1df = pd.DataFrame(results)
2filtered = df[(df['rating'] >= 4.0) & (df['types'].apply(lambda x: 'restaurant' in x))]
3filtered.to_csv("manhattan_top_restaurants.csv", index=False)

Utiliser des bibliothèques Python pour organiser et exporter les données Google Maps

Une fois les données extraites, il faut les nettoyer, les analyser et les exporter pour votre équipe.

Nettoyer et structurer les données avec Pandas

1import pandas as pd
2df = pd.read_json("brooklyn_restaurants.json")
3df = (
4    df.dropna(subset=["name", "address"])
5      .drop_duplicates(subset=["place_id"])
6      .assign(
7          name=lambda d: d["name"].str.strip(),
8          phone=lambda d: d["phone"].astype(str)
9              .str.replace(r"\D", "", regex=True)
10              .str.replace(r"^1?(\d{10})$", r"+1\1", regex=True),
11          rating=lambda d: pd.to_numeric(d["rating"], errors="coerce"),
12          user_ratings_total=lambda d: pd.to_numeric(
13              d["user_ratings_total"], errors="coerce"
14          ).fillna(0).astype("int32"),
15      )
16)

Analyser et résumer les données

Exemple : note moyenne par quartier

1by_neighborhood = (
2    df.groupby("neighborhood", as_index=False)
3      .agg(avg_rating=("rating", "mean"),
4           n_places=("place_id", "nunique"),
5           median_reviews=("user_ratings_total", "median"))
6      .sort_values("avg_rating", ascending=False)
7)

Exporter vers Excel ou CSV

1df.to_csv("brooklyn_top.csv", index=False)
2df.to_excel("brooklyn_top.xlsx", index=False, sheet_name="Top Rated")

Vous avez de gros volumes de données ? Utilisez le format Parquet pour gagner en vitesse et en légèreté :

1df.to_parquet("brooklyn_top.parquet", compression="zstd")

Thunderbit : l’alternative propulsée par l’IA à l’extracteur Google Maps Python

Si vous vous dites : “Franchement, tout ça fait beaucoup de config pour une simple liste de prospects”, vous n’êtes pas seul. C’est justement pour ça que nous avons créé — un extracteur web no-code dopé à l’IA qui rend l’extraction de données Google Maps (et bien plus) aussi simple que quelques clics.

Pourquoi Thunderbit ?

• Aucun code ni clé API requis : ouvrez simplement l’, allez sur Google Maps et cliquez sur “AI Suggest Fields”.
• Détection intelligente des champs : l’IA de Thunderbit lit la page et propose les bonnes colonnes — nom, adresse, note, téléphone, site web, etc.
• Extraction des sous-pages : vous voulez enrichir votre tableau avec les données du site web de chaque entreprise ? Thunderbit peut visiter chaque sous-page et récupérer automatiquement les infos supplémentaires.
• Export vers Excel, Google Sheets, Airtable ou Notion : plus besoin de bidouiller avec pandas ; cliquez simplement sur “Export” et vos données sont prêtes pour l’équipe.
• Scraping programmé : mettez en place des tâches récurrentes pour surveiller vos concurrents ou rafraîchir automatiquement vos listes de prospects.
• Maintenance minimale : l’IA de Thunderbit s’adapte aux changements du site, ce qui vous évite de corriger sans arrêt des scripts cassés.

Thunderbit vs workflow Python :

Bonus : Thunderbit est utilisé par plus de , et l’offre gratuite vous permet d’extraire jusqu’à 6 pages (ou 10 avec un essai boosté) sans frais.

Rester conforme : conditions d’utilisation de Google Maps et éthique du scraping

Voici l’endroit où la plupart des tutoriels Python deviennent vite obsolètes. Ce qu’il faut savoir en 2026 :

• L’article 3.2.3 des conditions Google Maps Platform interdit strictement le scraping, la mise en cache ou l’export de données en dehors des API officielles (). Seule exception : les valeurs de latitude/longitude peuvent être mises en cache pendant 30 jours maximum ; les Place IDs peuvent être conservés sans limite de temps.
• Les utilisateurs de l’API sont liés contractuellement : si vous utilisez une clé API, vous acceptez les conditions de Google — même si vous ne récupérez que des données publiques.
• Contourner les protections techniques (CAPTCHA, SearchGuard) peut désormais constituer une violation potentielle du DMCA §1201, avec à la clé des sanctions pénales ().
• RGPD et lois sur la vie privée : si vous collectez des données personnelles (emails, téléphones, noms d’avis) depuis Google Maps, vous devez avoir une base légale et respecter les demandes de suppression. La CNIL a infligé en 2024 une amende de 200 000 € à KASPR pour avoir scrapé des contacts LinkedIn ().
• Bonnes pratiques :
  • Privilégiez l’API Places dès que possible.
  • Limitez le rythme des requêtes (≤10 QPS pour l’API, 1 à 2 requêtes/s pour le scraping HTML).
  • Ne contournez jamais les CAPTCHA ni les protections techniques.
  • Ne redistribuez pas les données personnelles extraites.
  • Respectez les demandes d’opt-out et de suppression.
  • Vérifiez toujours les lois locales — RGPD, CCPA et autres — car elles sont activement appliquées.

En résumé : si la conformité est un sujet pour vous, restez sur l’API et limitez au maximum les données collectées. Pour la plupart des utilisateurs métier, un outil no-code comme Thunderbit réduit fortement le risque (pas de clé API, pas de redistribution).

Planifier et automatiser votre extraction Google Maps avec Python

Si vous devez garder vos données à jour — par exemple pour une veille concurrentielle hebdomadaire ou une mise à jour mensuelle de vos listes de prospects — l’automatisation est votre meilleure alliée.

Planification simple avec schedule

1import schedule, time
2from my_scraper import run_job
3schedule.every().day.at("03:00").do(run_job, query="restaurants in Brooklyn")
4schedule.every(6).hours.do(run_job, query="coffee shops in Manhattan")
5while True:
6    schedule.run_pending()
7    time.sleep(30)

Planification de niveau production avec APScheduler

1from apscheduler.schedulers.background import BackgroundScheduler
2from apscheduler.triggers.cron import CronTrigger
3sched = BackgroundScheduler(timezone="America/New_York")
4sched.add_job(
5    run_job,
6    CronTrigger(hour=3, minute=15, jitter=600),  # 3h15 ± 10 min
7    kwargs={"query": "restaurants in Brooklyn"},
8    id="brooklyn_daily",
9    max_instances=1,
10    coalesce=True,
11    misfire_grace_time=3600,
12)
13sched.start()

Conseils pour une automatisation sûre

• Ajoutez une légère variabilité aléatoire à votre planification pour éviter des schémas trop prévisibles.
• Pour le scraping HTML, ne dépassez jamais 1 à 2 requêtes par seconde.
• Pour l’API, surveillez vos quotas et mettez en place des alertes de facturation.
• Journalisez systématiquement les erreurs et gardez un fichier de relance pour les requêtes en échec.

Bonus Thunderbit : avec Thunderbit, vous pouvez programmer des extractions récurrentes directement dans l’interface — sans code, sans cron, sans serveur.

Points clés à retenir : extraire des données Google Maps de façon efficace, ciblée et conforme

Récapitulons les essentiels :

• Google Maps est la première source de données locales sur les entreprises, utilisée pour tout, de la génération de leads à l’étude de marché.
• Le scraping avec Python offre flexibilité et contrôle, mais implique aussi de la configuration, de la maintenance et des contraintes de conformité — surtout à mesure que les protections anti-bot et les contrôles juridiques de Google se renforcent.
• L’extraction via API reste l’option la plus sûre et la plus scalable pour la plupart des équipes. Utilisez toujours des field masks et des filtres côté serveur pour maîtriser les coûts.
• Le scraping HTML est fragile et risqué — réservez-le aux recherches ponctuelles, sans jamais contourner les protections techniques.
• Ciblez vos données : utilisez la correspondance par requête, les filtres géographiques et les workflows pandas pour ne récupérer que ce qui est vraiment utile.
• Thunderbit est la solution la plus rapide pour les non-développeurs : IA, configuration quasi nulle, export instantané et planification intégrée.
• La conformité est essentielle : respectez les conditions de Google, les lois sur la vie privée et les limites de débit pour éviter les ennuis juridiques.

Pour plus de tutoriels et de conseils, consultez le et notre .

FAQ

1. Est-il légal d’extraire des données Google Maps avec Python en 2026 ?

L’extraction via l’API officielle Google Maps est autorisée dans le cadre des conditions de Google, à condition de respecter les quotas et de ne pas redistribuer les données restreintes. Le scraping HTML de Google Maps est explicitement interdit par les conditions d’utilisation de Google et comporte des risques juridiques, en particulier si vous contournez des barrières techniques ou collectez des données personnelles sans consentement. Vérifiez toujours les lois locales (RGPD, CCPA, etc.) et appliquez les bonnes pratiques de conformité.

2. Quelle est la différence entre l’API Google Maps et le scraping HTML ?

L’API est stable, sous licence et conçue pour l’extraction de données, mais elle nécessite une clé API et est soumise à des quotas et à des coûts. Le scraping HTML repose sur l’automatisation du navigateur pour extraire les données de la page rendue, mais il est fragile (la structure du site change souvent), peut enfreindre les conditions d’utilisation et présente davantage de risques juridiques. Pour la plupart des usages professionnels, l’API est l’option recommandée.

3. Combien coûte l’extraction de données Google Maps avec Python en 2026 ?

La tarification de l’API Places de Google se fait par tranche de 1 000 requêtes, avec des prix allant de 5 $ (Essentials) à 25 $ (Enterprise + Atmosphere) selon les champs demandés. Il existe des seuils mensuels gratuits (10 000 pour Essentials, 5 000 pour Pro, 1 000 pour Enterprise), mais les gros volumes peuvent vite faire grimper la facture. Utilisez toujours des field masks et des filtres côté serveur pour maîtriser les coûts.

4. Comment Thunderbit se compare-t-il aux extracteurs Google Maps basés sur Python ?

Thunderbit est un extracteur web no-code, propulsé par l’IA, qui vous permet d’extraire des données Google Maps — et bien plus — sans programmation, sans clé API et sans maintenance. C’est idéal pour les équipes sales et marketing qui veulent exporter rapidement et de façon fiable vers Excel, Google Sheets, Airtable ou Notion. Pour les utilisateurs techniques qui ont besoin de logique sur mesure, Python offre plus de flexibilité, mais demande davantage de configuration et de gestion de la conformité.

5. Comment automatiser des extractions Google Maps récurrentes ?

Avec Python, utilisez des bibliothèques de planification comme schedule ou APScheduler pour lancer votre extracteur à intervalles fixes (quotidiens, hebdomadaires, etc.). Ajoutez une petite variabilité aléatoire pour éviter la détection et surveillez vos quotas API. Avec Thunderbit, vous pouvez programmer des extractions récurrentes directement dans l’interface — sans code ni serveur.

Prêt à transformer Google Maps en superpouvoir pour vos ventes et votre marketing ? Que vous soyez fan de Python ou que vous cherchiez la solution no-code la plus rapide, les outils sont là en 2026. Essayez pour un scraping instantané boosté à l’IA — ou mettez les mains dans le code et plongez dans l’API. Dans tous les cas, que vos listes de prospects restent fraîches, vos exports propres et vos campagnes remplies de leads locaux à fort potentiel de conversion. Bon scraping !

En savoir plus