Comment extraire des données Google Shopping — avec ou sans code

Google Shopping traite plus de . C’est un énorme volume de données sur les prix, les tendances produits et les infos vendeurs — déjà sous vos yeux dans le navigateur, depuis des milliers de commerçants.

Faire sortir ces données de Google Shopping pour les mettre dans un tableau ? Là, ça se complique. J’ai passé pas mal de temps à tester différentes approches — des extensions sans code jusqu’aux scripts Python complets — et l’expérience va de « waouh, c’était simple » à « je passe trois jours à déboguer des CAPTCHA et j’ai envie de tout envoyer balader ». La plupart des guides partent du principe que vous êtes développeur Python, mais en vrai, beaucoup de gens qui ont besoin des données Google Shopping sont des e-commerçants, des analystes prix et des marketeurs qui veulent juste les chiffres, sans écrire une ligne de code. Ce guide présente donc trois méthodes, de la plus simple à la plus technique, pour que vous puissiez choisir celle qui colle à votre niveau et au temps dont vous disposez.

Qu’est-ce que les données Google Shopping ?

Google Shopping est un moteur de recherche produits. Tapez « écouteurs sans fil à réduction de bruit » et Google affiche des annonces de dizaines de boutiques en ligne — titres de produits, prix, vendeurs, notes, images, liens. En gros, un catalogue en direct, mis à jour en continu, de tout ce qui se vend sur Internet.

Pourquoi extraire des données Google Shopping ?

Une seule fiche produit ne dit presque rien. Des centaines, rangées dans un tableur — là, les tendances ressortent.

Voici les cas d’usage les plus courants que j’ai vus :

utilisent aujourd’hui des outils de tarification pilotés par l’IA. Les entreprises qui investissent dans l’intelligence concurrentielle sur les prix annoncent des retours jusqu’à 29x. Amazon met à jour ses prix environ toutes les 10 minutes. Si vous comparez encore les prix des concurrents à la main, le calcul ne tourne clairement pas en votre faveur.

Thunderbit est une extension Chrome d’Extracteur Web IA qui aide les utilisateurs métier à extraire des données depuis des sites web grâce à l’IA. Elle est particulièrement utile pour les e-commerçants, analystes prix et marketeurs qui veulent des données Google Shopping structurées sans écrire de code.

Quelles données peut-on réellement extraire de Google Shopping ?

Avant de choisir un outil ou d’écrire la moindre ligne de code, mieux vaut savoir exactement quels champs sont disponibles — et lesquels demandent un peu plus de boulot.

Champs disponibles dans les résultats de recherche Google Shopping

Quand vous lancez une recherche dans Google Shopping, chaque fiche produit affiche sur la page de résultats :

Champs disponibles sur les pages produit détaillées (données des sous-pages)

Si vous ouvrez la fiche détaillée d’un produit dans Google Shopping, vous pouvez récupérer des données plus riches :

Pour accéder à ces champs, il faut visiter chaque sous-page produit après l’extraction des résultats de recherche. Les outils avec la fonction le font automatiquement — je vous montre le flux de travail plus bas.

Trois façons d’extraire des données Google Shopping (choisissez votre méthode)

Trois méthodes, de la plus simple à la plus technique. Choisissez la ligne qui correspond à votre situation et allez directement au bon passage :

Méthode 1 : extraire des données Google Shopping sans code (avec Thunderbit)

• Difficulté : Débutant
• Temps nécessaire : ~2 à 5 minutes
• Ce qu’il vous faut : navigateur Chrome, (la version gratuite suffit), une requête de recherche Google Shopping

Le trajet le plus court entre « j’ai besoin des données Google Shopping » et « voilà mon tableau ». Pas de code, pas de clé API, pas de config proxy. J’ai accompagné des collègues non techniques sur ce workflow des dizaines de fois — et personne n’est resté bloqué.

Étape 1 : installer Thunderbit et ouvrir Google Shopping

Installez depuis le Chrome Web Store puis créez un compte gratuit.

Ensuite, allez sur Google Shopping. Vous pouvez passer par shopping.google.com ou utiliser l’onglet Shopping dans une recherche Google classique. Recherchez le produit ou la catégorie qui vous intéresse — par exemple « wireless noise-cancelling headphones ».

Vous devriez voir une grille de produits avec les prix, les vendeurs et les notes.

Étape 2 : cliquer sur « AI Suggest Fields » pour détecter automatiquement les colonnes

Cliquez sur l’icône de l’extension Thunderbit pour ouvrir la barre latérale, puis sur « AI Suggest Fields ». L’IA analyse la page Google Shopping et propose des colonnes : titre du produit, prix, vendeur, note, nombre d’avis, URL de l’image, lien du produit.

Passez en revue les champs proposés. Vous pouvez renommer les colonnes, supprimer celles dont vous n’avez pas besoin ou ajouter des champs personnalisés. Si vous voulez aller plus loin — par exemple « extraire seulement la valeur numérique du prix sans le symbole monétaire » — vous pouvez ajouter un Field AI Prompt à cette colonne.

Vous devriez voir un aperçu de la structure des colonnes dans le panneau Thunderbit.

Étape 3 : cliquer sur « Scrape » et vérifier les résultats

Cliquez sur le bouton bleu « Scrape ». Thunderbit récupère chaque annonce produit visible dans un tableau structuré.

Plusieurs pages ? Thunderbit gère automatiquement la pagination — en passant d’une page à l’autre ou en faisant défiler pour charger plus de résultats, selon la mise en page. Si vous avez beaucoup de résultats, vous pouvez choisir entre Cloud Scraping (plus rapide, jusqu’à 50 pages à la fois, via l’infrastructure distribuée de Thunderbit) ou Browser Scraping (utilise votre propre session Chrome — pratique si Google affiche des résultats spécifiques à une région ou demande une connexion).

Lors de mes tests, l’extraction de 50 fiches produits a pris environ 30 secondes. La même tâche à la main — ouvrir chaque fiche, copier le titre, le prix, le vendeur, la note — m’aurait pris plus de 20 minutes.

Étape 4 : enrichir les données avec l’extraction de sous-pages

Après l’extraction initiale, cliquez sur « Scrape Subpages » dans le panneau Thunderbit. L’IA visite la fiche détaillée de chaque produit et ajoute des champs supplémentaires — descriptions complètes, tous les prix vendeurs, spécifications et avis — au tableau d’origine.

Aucune configuration supplémentaire n’est nécessaire : l’IA comprend la structure de chaque page détaillée et récupère les données pertinentes. J’ai monté un tableau complet de comparaison des prix (produit + tous les prix vendeurs + spécifications) pour 40 produits en moins de 5 minutes de cette façon.

Étape 5 : exporter vers Google Sheets, Excel, Airtable ou Notion

Cliquez sur « Export » et choisissez votre destination — , Excel, Airtable ou Notion. C’est gratuit. Les téléchargements CSV et JSON sont aussi disponibles.

Deux clics pour extraire, un clic pour exporter. Le script Python équivalent ? Environ 60 lignes de code, une config de proxy, la gestion des CAPTCHAs et une maintenance continue.

Méthode 2 : extraire des données Google Shopping avec Python + une SERP API

• Difficulté : Intermédiaire
• Temps nécessaire : ~30 minutes
• Ce qu’il vous faut : Python 3.10+, les bibliothèques requests et pandas, une clé API SERP (ScraperAPI, SerpApi ou équivalent)

Si vous avez besoin d’un accès programmatique et reproductible aux données Google Shopping, une SERP API est l’approche Python la plus fiable. Les mécanismes anti-bot, le rendu JavaScript, la rotation des proxys — tout ça est géré en arrière-plan. Vous envoyez une requête HTTP, vous recevez du JSON structuré.

Étape 1 : préparer votre environnement Python

Installez Python 3.12 (le choix le plus sûr pour la production en 2025–2026) et les paquets nécessaires :

1pip install requests pandas

Créez un compte chez un fournisseur de SERP API. propose 100 recherches gratuites par mois ; offre 5 000 crédits gratuits. Récupérez votre clé API dans le tableau de bord.

Étape 2 : configurer votre requête API

Voici un exemple minimal avec l’endpoint 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()

L’API renvoie un JSON structuré avec des champs comme title, price, link, thumbnail, source (vendeur) et rating.

Étape 3 : analyser la réponse JSON et extraire les champs

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)

Étape 4 : exporter en CSV ou JSON

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

Pratique pour le traitement par lots : bouclez sur 50 mots-clés et construisez un dataset complet en une seule exécution du script. Le compromis, c’est le coût — les SERP APIs facturent à la requête, et dès qu’on passe à des milliers de requêtes par jour, la facture monte vite. J’y reviens plus bas.

Méthode 3 : extraire des données Google Shopping avec Python + Playwright (automatisation du navigateur)

• Difficulté : Avancé
• Temps nécessaire : ~1 heure ou plus (plus la maintenance continue)
• Ce qu’il vous faut : Python 3.10+, Playwright, proxys résidentiels, patience

L’approche « contrôle total ». Vous lancez un vrai navigateur, vous allez sur Google Shopping et vous extrayez les données depuis la page rendue. C’est la méthode la plus flexible, mais aussi la plus fragile : les systèmes anti-bot de Google sont costauds et la structure de la page change plusieurs fois par an.

Attention : j’ai échangé avec des utilisateurs qui ont passé des semaines à se battre contre les CAPTCHA et les blocages IP avec cette méthode. Ça marche, mais il faut prévoir de la maintenance régulière.

Étape 1 : installer Playwright et configurer des proxys

1pip install playwright
2playwright install chromium

Vous aurez besoin de proxys résidentiels. Les IP de data center sont bloquées presque immédiatement — un utilisateur de forum l’a dit sans détour : « Toutes les IP AWS seront bloquées ou feront face à un CAPTCHA après 1/2 résultats. » Des services comme Bright Data, Oxylabs ou Decodo proposent des pools de proxys résidentiels à partir d’environ 1 à 5 $/Go.

Configurez Playwright avec un user-agent crédible et votre 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()

Étape 2 : aller sur Google Shopping et gérer les protections anti-bot

Construisez l’URL Google Shopping et ouvrez-la :

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")

Gérez la fenêtre de consentement aux cookies de l’UE si elle apparaît :

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

Ajoutez des délais réalistes entre les actions — 2 à 5 secondes d’attente aléatoire entre les chargements. Les systèmes de détection de Google repèrent les séquences de requêtes trop rapides et trop régulières.

Étape 3 : faire défiler, paginer et extraire les données produit

Google Shopping charge les résultats de manière dynamique. Faites défiler pour déclencher le chargement paresseux, puis extrayez les fiches produit :

1import time, random
2# Faire défiler pour charger tous les résultats
3for _ in range(3):
4    page.evaluate("window.scrollBy(0, 1000)")
5    time.sleep(random.uniform(1.5, 3.0))
6# Extraire les fiches produit
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    # ... extraire les autres champs
13    results.append({
14        "title": title.inner_text() if title else None,
15        "price": price.inner_text() if price else None,
16    })

Note importante : les sélecteurs CSS ci-dessus sont approximatifs et changeront. Google fait régulièrement évoluer les noms de classes. Trois ensembles de sélecteurs différents ont été documentés rien qu’entre 2024 et 2026. Appuyez-vous plutôt sur des attributs plus stables comme jsname, data-cid, les balises <h3> et img[alt] plutôt que sur les noms de classes.

Étape 4 : enregistrer en CSV ou 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)

Attendez-vous à maintenir ce script régulièrement. Quand Google modifie la structure de la page — ce qui arrive plusieurs fois par an — vos sélecteurs cassent et vous repartez dans le débogage.

Le plus gros problème : CAPTCHA et blocages anti-bot

Forum après forum, le même constat : « J’ai passé quelques semaines, puis j’ai fini par abandonner face aux méthodes anti-bot de Google. » Les CAPTCHA et les blocages IP sont la première raison pour laquelle les gens lâchent les scrapers Google Shopping faits maison.

Comment Google bloque les scrapers (et comment s’en sortir)

En janvier 2025, Google a rendu l’exécution JavaScript obligatoire pour les résultats SERP et Shopping, — y compris des pipelines utilisés par SemRush et SimilarWeb. Puis, en septembre 2025, Google a déprécié les anciennes URL de pages produit, en les redirigeant vers une nouvelle surface « Immersive Product » qui se charge via AJAX asynchrone. Tout tutoriel publié avant la fin 2025 est donc largement dépassé.

Comment chaque méthode gère ces difficultés

Les SERP APIs gèrent tout en arrière-plan — proxys, rendu, résolution des CAPTCHA. Vous n’avez rien à gérer.

Thunderbit Cloud Scraping utilise une infrastructure cloud répartie aux États-Unis, en Europe et en Asie pour prendre en charge automatiquement le rendu JS et les protections anti-bot. Le mode Browser Scraping utilise votre propre session Chrome authentifiée, ce qui contourne la détection puisqu’il s’agit d’une navigation normale.

Le Playwright fait maison vous laisse toute la charge — gestion des proxys, réglage des délais, résolution des CAPTCHA, maintenance des sélecteurs et surveillance constante des cassures.

Le vrai coût pour extraire des données Google Shopping : comparaison honnête

« 50 $ pour environ 20k requêtes… un peu cher pour mon projet perso. » Cette remarque revient souvent dans les forums. Mais la discussion oublie généralement le coût le plus important.

Tableau comparatif des coûts

Le coût caché que tout le monde ignore : votre temps

Une solution maison à 0 $ qui vous mange 40 heures de débogage n’est pas gratuite. À 50 $ de l’heure, ça fait 2 000 $ de travail — pour un scraper qui risque encore de casser le mois suivant quand Google modifie son DOM.

L’étude Technology Outlook de McKinsey situe le point mort construire/acheter . En dessous de ce seuil, développer en interne « consomme du budget sans apporter de ROI ». Pour la plupart des équipes e-commerce qui font quelques centaines à quelques milliers de recherches par semaine, un outil sans code ou une SERP API est nettement plus rentable qu’un développement maison.

Comment mettre en place un suivi automatisé des prix sur Google Shopping

La plupart des guides présentent le scraping comme une tâche ponctuelle. Le vrai besoin des équipes e-commerce, c’est le suivi automatisé dans la durée. Vous n’avez pas seulement besoin des prix d’aujourd’hui — vous avez besoin de ceux d’hier, de la semaine dernière, et de demain.

Mettre en place un scraping programmé avec Thunderbit

Le Scheduled Scraper de Thunderbit vous permet de décrire l’intervalle en langage naturel — « tous les jours à 9 h » ou « tous les lundis et jeudis à midi » — et l’IA le transforme en planning récurrent. Saisissez vos URL Google Shopping, cliquez sur « Schedule », et c’est réglé.

Chaque exécution s’exporte automatiquement vers Google Sheets, Airtable ou Notion. Résultat : un tableur qui se remplit tout seul chaque jour avec les prix des concurrents, prêt pour des tableaux croisés dynamiques ou des alertes.

Pas de cron job. Pas de gestion de serveur. Pas de galère Lambda. (J’ai vu des développeurs passer des jours à essayer de faire tourner Selenium sur AWS Lambda — le planificateur de Thunderbit évite tout ça.)

Pour aller plus loin sur la mise en place de , nous avons un guide dédié.

Planifier avec Python (pour les développeurs)

Si vous utilisez l’approche SERP API, vous pouvez planifier les exécutions avec cron (Linux/Mac), le Planificateur de tâches Windows, ou des planificateurs cloud comme AWS Lambda ou Google Cloud Functions. Les bibliothèques Python comme APScheduler fonctionnent aussi.

Le compromis : vous devez maintenant surveiller l’état du script, gérer les échecs, faire tourner les proxys selon le calendrier et mettre à jour les sélecteurs quand Google change la page. Pour la plupart des équipes, le temps d’ingénierie passé à maintenir un scraper Python programmé dépasse le coût d’un outil dédié.

Conseils et bonnes pratiques pour extraire des données Google Shopping

Quelle que soit la méthode, quelques réflexes vous éviteront bien des tracas.

Respecter les limites de débit

N’inondez pas Google avec des centaines de requêtes d’un coup — vous serez bloqué, et votre IP pourra rester signalée un moment. Méthodes maison : espacez les requêtes de 10 à 20 secondes avec une variation aléatoire. Les outils et API s’en chargent pour vous.

Choisir la bonne méthode selon votre volume

Petit guide de décision :

• < 10 requêtes/semaine → Thunderbit en version gratuite ou offre gratuite SerpApi
• 10 à 1 000 requêtes/semaine → offre payante d’une SERP API ou
• 1 000+ requêtes/semaine → offre entreprise d’une SERP API ou Thunderbit Open API

Nettoyer et valider vos données

Les prix contiennent des symboles monétaires, des formats locaux (1.299,00 € vs $1,299.00) et parfois des caractères parasites. Utilisez les Field AI Prompts de Thunderbit pour normaliser dès l’extraction, ou nettoyez ensuite avec pandas :

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

Vérifiez les doublons entre les annonces organiques et sponsorisées — elles se recoupent souvent. Dédupliquez avec le triplet (titre, prix, vendeur).

Connaître le cadre juridique

L’extraction de données produit publiques est généralement considérée comme légale, mais le cadre évolue vite. L’événement récent le plus marquant : au titre du DMCA § 1201 pour contournement de son système anti-extraction « SearchGuard ». C’est une nouvelle approche juridique qui contourne les protections établies dans des affaires antérieures comme hiQ v. LinkedIn et Van Buren v. United States.

Quelques règles pratiques :

• Ne récupérez que des données publiques — ne vous connectez pas pour accéder à du contenu restreint
• N’extrayez pas de données personnelles (noms d’auteurs d’avis, informations de compte)
• Gardez à l’esprit que les conditions d’utilisation de Google interdisent l’accès automatisé — utiliser une SERP API ou une extension navigateur réduit les zones grises juridiques, sans les supprimer totalement
• Pour des opérations dans l’UE, pensez au RGPD, même si les fiches produits sont surtout des données commerciales non personnelles
• Consultez un juriste si vous construisez un produit commercial basé sur des données extraites

Pour aller plus loin sur les , nous avons consacré un article complet au sujet.

Quelle méthode choisir pour extraire des données Google Shopping ?

Après avoir testé les trois approches sur les mêmes catégories de produits, voici ma conclusion :

Si vous êtes non technique et avez besoin de données vite — utilisez Thunderbit. Ouvrez Google Shopping, cliquez deux fois, exportez. Vous obtenez un tableur propre en moins de 5 minutes. La vous permet d’essayer sans engagement, et l’extraction de sous-pages fournit des données plus riches que la plupart des scripts Python.

Si vous êtes développeur et avez besoin d’un accès programmatique reproductible — utilisez une SERP API. La fiabilité justifie le coût par requête, et vous évitez tous les soucis anti-bot. SerpApi a la meilleure documentation ; ScraperAPI a l’offre gratuite la plus généreuse.

Si vous avez besoin d’un contrôle maximal et construisez un pipeline personnalisé — Playwright fonctionne, mais en sachant dans quoi vous vous embarquez. Prévoyez du temps pour la gestion des proxys, la maintenance des sélecteurs et les CAPTCHA. En 2025–2026, la pile minimale viable pour contourner le système est curl_cffi avec imitation de Chrome + proxys résidentiels + cadence de 10 à 20 secondes. Un script requests classique avec rotation de user-agent est mort.

La meilleure méthode est celle qui vous donne des données fiables sans vous voler votre semaine. Pour la plupart des gens, ce n’est pas un script Python de 60 lignes — ce sont deux clics.

Consultez les si vous avez besoin de volume, ou regardez nos tutoriels sur la pour voir le workflow en action.

FAQ

Est-il légal d’extraire des données Google Shopping ?

L’extraction de données produit publiques est généralement légale selon des précédents comme hiQ v. LinkedIn et Van Buren v. United States. Cependant, les conditions d’utilisation de Google interdisent l’accès automatisé, et le procès intenté par Google contre SerpApi en décembre 2025 a introduit une nouvelle théorie de contournement au titre du DMCA § 1201. L’utilisation d’outils et d’API réputés réduit le risque. Pour un usage commercial, consultez un juriste.

Puis-je extraire Google Shopping sans me faire bloquer ?

Oui, mais la méthode compte. Les SERP APIs gèrent automatiquement les protections anti-bot. Le Cloud Scraping de Thunderbit s’appuie sur une infrastructure distribuée pour éviter les blocages, tandis que son mode Browser Scraping utilise votre propre session Chrome (qui ressemble à une navigation normale). Les scripts Python maison nécessitent des proxys résidentiels, des délais réalistes et la gestion de l’empreinte TLS — et même dans ce cas, les blocages restent fréquents.

Quelle est la manière la plus simple d’extraire des données Google Shopping ?

L’extension Chrome de Thunderbit. Rendez-vous sur Google Shopping, cliquez sur « AI Suggest Fields », cliquez sur « Scrape », puis exportez vers Google Sheets ou Excel. Pas de code, pas de clé API, pas de config proxy. L’ensemble prend environ 2 minutes.

À quelle fréquence puis-je extraire Google Shopping pour le suivi des prix ?

Avec le Scheduled Scraper de Thunderbit, vous pouvez configurer un suivi quotidien, hebdomadaire ou à intervalle personnalisé en langage naturel. Avec les SERP APIs, la fréquence dépend des limites de crédits de votre offre — la plupart des fournisseurs offrent assez pour un suivi quotidien de quelques centaines de SKU. Les scripts maison peuvent s’exécuter aussi souvent que votre infrastructure le permet, mais une fréquence plus élevée veut aussi dire plus de complications anti-bot.

Puis-je exporter les données Google Shopping vers Google Sheets ou Excel ?

Oui. Thunderbit exporte directement vers Google Sheets, Excel, Airtable et Notion gratuitement. Les scripts Python peuvent exporter en CSV ou JSON, que vous pouvez ensuite importer dans n’importe quel outil de tableur. Pour un suivi continu, les exports programmés de Thunderbit vers Google Sheets créent un jeu de données en direct, mis à jour automatiquement.