Come Estrarre i Dati di Google Shopping — Con o Senza Codice

Google Shopping gestisce oltre . Parliamo di una mole enorme di dati su prezzi, trend di prodotto e info sui venditori — tutto già lì, nel tuo browser, raccolto da migliaia di retailer.

Portare quei dati fuori da Google Shopping e dentro un foglio di calcolo? Qui iniziano i guai. Ho perso parecchio tempo a provare strade diverse — dalle estensioni browser no-code agli script Python completi — e l’esperienza va da “wow, facilissimo” a “sto debuggando CAPTCHA da tre giorni e voglio mollare tutto”. La maggior parte delle guide su questo tema dà per scontato che tu sia uno sviluppatore Python, ma per esperienza una grossa fetta di chi ha bisogno dei dati di Google Shopping sono operatori ecommerce, analisti pricing e marketer che vogliono solo i numeri, senza scrivere codice. Per questo questa guida copre tre metodi, dal più semplice al più tecnico, così puoi scegliere il percorso più adatto alle tue competenze e al tempo che hai a disposizione.

Che cos’è il dato di Google Shopping?

Google Shopping è un motore di ricerca per prodotti. Digita “cuffie wireless con cancellazione del rumore” e Google tira fuori inserzioni da decine di negozi online — titoli dei prodotti, prezzi, venditori, valutazioni, immagini, link. Un catalogo vivo, sempre aggiornato, di ciò che è in vendita su internet.

Perché estrarre i dati di Google Shopping?

Una singola scheda prodotto dice poco o nulla. Centinaia di schede, messe in ordine in un foglio di calcolo, invece fanno saltare fuori i pattern.

Ecco i casi d’uso più comuni che ho visto:

usa ormai strumenti di pricing con funzionalità AI. Le aziende che investono in competitive pricing intelligence hanno riportato ritorni fino a 29x. Amazon aggiorna i prezzi circa ogni 10 minuti. Se controlli ancora i prezzi dei concorrenti a mano, i conti non tornano dalla tua parte.

Thunderbit è un'estensione Chrome AI Web Scraper che aiuta gli utenti business a estrarre dati dai siti web usando l'intelligenza artificiale. È particolarmente utile per operatori ecommerce, analisti pricing e marketer che vogliono dati strutturati di Google Shopping senza scrivere codice.

Quali dati si possono davvero estrarre da Google Shopping?

Prima di scegliere uno strumento o scrivere una sola riga di codice, conviene sapere esattamente quali campi sono disponibili — e quali richiedono un po’ più di lavoro.

Campi disponibili nei risultati di ricerca di Google Shopping

Quando fai una ricerca su Google Shopping, ogni scheda prodotto nella pagina dei risultati contiene:

Campi disponibili nelle pagine prodotto (dati della sottopagina)

Se apri la pagina dettaglio di un singolo prodotto su Google Shopping, puoi accedere a dati più ricchi:

Per arrivare a questi campi bisogna visitare la sottopagina di ogni prodotto dopo aver estratto i risultati di ricerca. Gli strumenti con funzionalità di gestiscono tutto in automatico — ti mostro il flusso più avanti.

Tre modi per estrarre i dati di Google Shopping (scegli il tuo percorso)

Tre metodi, dal più semplice al più tecnico. Scegli la riga che combacia con la tua situazione e vai avanti:

Metodo 1: estrarre i dati di Google Shopping senza codice (con Thunderbit)

• Difficoltà: Principiante
• Tempo richiesto: ~2–5 minuti
• Cosa ti serve: Browser Chrome, (funziona anche il piano gratuito), una query di ricerca su Google Shopping

È la strada più veloce per passare da “mi servono i dati di Google Shopping” a “ecco il mio foglio di calcolo”. Niente codice, niente chiavi API, niente configurazione di proxy. Ho accompagnato decine di colleghi non tecnici in questo flusso — nessuno è rimasto incastrato.

Passo 1: installa Thunderbit e apri Google Shopping

Installa dal Chrome Web Store e registrati per un account gratuito.

Poi vai su Google Shopping. Puoi aprire direttamente shopping.google.com oppure usare la scheda Shopping nella normale ricerca Google. Cerca il prodotto o la categoria che ti interessa — per esempio, “wireless noise-cancelling headphones”.

Dovresti vedere una griglia di prodotti con prezzi, venditori e valutazioni.

Passo 2: clicca su "AI Suggest Fields" per rilevare automaticamente le colonne

Clicca sull’icona dell’estensione Thunderbit per aprire la sidebar, poi premi "AI Suggest Fields". L’AI analizza la pagina di Google Shopping e propone le colonne: Titolo prodotto, Prezzo, Venditore, Valutazione, Numero recensioni, URL immagine, Link prodotto.

Controlla i campi suggeriti. Puoi rinominare le colonne, togliere quelle che non ti servono o aggiungere campi personalizzati. Se vuoi essere più preciso — per esempio, “estrai solo il prezzo numerico senza il simbolo della valuta” — puoi aggiungere un Field AI Prompt a quella colonna.

Dovresti vedere un’anteprima della struttura delle colonne nel pannello di Thunderbit.

Passo 3: clicca su "Scrape" e controlla i risultati

Premi il pulsante blu "Scrape". Thunderbit estrae tutte le inserzioni visibili in una tabella strutturata.

Più pagine? Thunderbit gestisce in automatico la paginazione — passando da una pagina all’altra o scorrendo per caricare altri risultati, a seconda del layout. Se hai tanti risultati, puoi scegliere tra Cloud Scraping (più veloce, gestisce fino a 50 pagine alla volta, gira sull’infrastruttura distribuita di Thunderbit) oppure Browser Scraping (usa la tua sessione Chrome — utile se Google mostra risultati regionali o richiede un login).

Nei miei test, estrarre 50 inserzioni prodotto ha richiesto circa 30 secondi. Fare la stessa cosa a mano — aprire ogni scheda, copiare titolo, prezzo, venditore e valutazione — mi avrebbe preso più di 20 minuti.

Passo 4: arricchisci i dati con lo scraping delle sottopagine

Dopo la prima estrazione, clicca "Scrape Subpages" nel pannello di Thunderbit. L’AI visita la pagina dettaglio di ogni prodotto e aggiunge campi extra — descrizioni complete, tutti i prezzi dei venditori, specifiche e recensioni — alla tabella originale.

Non serve nessun’altra configurazione: l’AI capisce la struttura di ogni pagina dettaglio e recupera i dati rilevanti. In questo modo ho creato una matrice completa di pricing competitivo (prodotto + tutti i prezzi dei venditori + specifiche) per 40 prodotti in meno di 5 minuti.

Passo 5: esporta in Google Sheets, Excel, Airtable o Notion

Clicca "Export" e scegli la destinazione — , Excel, Airtable o Notion. Tutto gratis. Sono disponibili anche download CSV e JSON.

Due clic per estrarre, un clic per esportare. L’equivalente script Python? Circa 60 righe di codice, configurazione dei proxy, gestione dei CAPTCHA e manutenzione continua.

Metodo 2: estrarre i dati di Google Shopping con Python + una SERP API

• Difficoltà: Intermedio
• Tempo richiesto: ~30 minuti
• Cosa ti serve: Python 3.10+, librerie requests e pandas, una chiave API SERP (ScraperAPI, SerpApi o simili)

Se ti serve un accesso programmatico e ripetibile ai dati di Google Shopping, una SERP API è l’approccio Python più affidabile. Misure anti-bot, rendering JavaScript, rotazione dei proxy — tutto gestito dietro le quinte. Tu fai una richiesta HTTP, e ricevi JSON strutturato.

Passo 1: configura l’ambiente Python

Installa Python 3.12 (la scelta più sicura per la produzione nel 2025–2026) e i pacchetti necessari:

1pip install requests pandas

Registrati presso un fornitore di SERP API. offre 100 ricerche gratuite al mese; offre 5.000 crediti gratuiti. Recupera la tua API key dal pannello.

Passo 2: configura la richiesta API

Ecco un esempio minimale con l’endpoint Google Shopping di 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 restituisce JSON strutturato con campi come title, price, link, thumbnail, source (venditore) e rating.

Passo 3: analizza la risposta JSON ed estrai i campi

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)

Passo 4: esporta in CSV o JSON

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

Perfetto per i batch: puoi ciclare 50 keyword e costruire un dataset completo in una sola esecuzione dello script. Il compromesso è il costo — le SERP API fanno pagare per query e, con migliaia di query al giorno, la spesa cresce in fretta. Più avanti trovi i dettagli sui prezzi.

Metodo 3: estrarre i dati di Google Shopping con Python + Playwright (automazione browser)

• Difficoltà: Avanzato
• Tempo richiesto: ~1 ora+ (più manutenzione continua)
• Cosa ti serve: Python 3.10+, Playwright, proxy residenziali, pazienza

L’approccio del “controllo totale”. Avvii un browser vero, navighi su Google Shopping ed estrai i dati dalla pagina renderizzata. È il più flessibile, ma anche il più fragile — i sistemi anti-bot di Google sono aggressivi e la struttura della pagina cambia più volte all’anno.

Te lo dico senza girarci attorno: ho parlato con utenti che hanno passato settimane a combattere CAPTCHA e blocchi IP con questo metodo. Funziona, ma richiede manutenzione continua.

Passo 1: configura Playwright e i proxy

1pip install playwright
2playwright install chromium

Ti serviranno proxy residenziali. Gli IP dei datacenter vengono bloccati quasi subito — un utente di un forum l’ha detto senza troppi giri di parole: “Tutti gli IP AWS verranno bloccati o finiranno in CAPTCHA dopo 1/2 risultati.” Servizi come Bright Data, Oxylabs o Decodo offrono pool di proxy residenziali a partire da circa 1–5 $/GB.

Configura Playwright con uno user-agent realistico e il tuo 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()

Passo 2: vai su Google Shopping e gestisci le protezioni anti-bot

Costruisci l’URL di Google Shopping e aprilo:

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")

Gestisci il popup di consenso cookie UE, se compare:

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

Aggiungi pause umane tra un’azione e l’altra — 2–5 secondi di attesa casuale tra i caricamenti delle pagine. I sistemi di rilevamento di Google notano subito i pattern di richieste troppo rapidi e regolari.

Passo 3: scorri, pagina e estrai i dati dei prodotti

Google Shopping carica i risultati in modo dinamico. Scorri per attivare il lazy loading, poi estrai le schede prodotto:

1import time, random
2# Scorri per caricare tutti i risultati
3for _ in range(3):
4    page.evaluate("window.scrollBy(0, 1000)")
5    time.sleep(random.uniform(1.5, 3.0))
6# Estrai le schede prodotto
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    # ... estrai gli altri campi
13    results.append({
14        "title": title.inner_text() if title else None,
15        "price": price.inner_text() if price else None,
16    })

Nota importante: i selettori CSS qui sopra sono approssimativi e cambieranno. Google ruota spesso i nomi delle classi. Solo tra il 2024 e il 2026 sono stati documentati tre set diversi di selettori. Meglio affidarsi ad attributi più stabili come jsname, data-cid, i tag <h3> e img[alt] invece dei nomi delle classi.

Passo 4: salva in 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)

Metti in conto di dover mantenere questo script con regolarità. Quando Google cambia la struttura della pagina — e succede più volte all’anno — i selettori si rompono e ti ritrovi di nuovo a fare debugging.

Il problema più grosso: CAPTCHA e blocchi anti-bot

Forum dopo forum, la storia è sempre la stessa: “Ho resistito qualche settimana, poi mi sono arreso davanti ai metodi anti-bot di Google.” I CAPTCHA e i blocchi IP sono la prima ragione per cui tanti mollano gli scraper DIY per Google Shopping.

Come Google blocca gli scraper (e cosa fare)

Nel gennaio 2025 Google ha reso l’esecuzione JavaScript obbligatoria per i risultati SERP e Shopping, — incluse pipeline usate da SemRush e SimilarWeb. Poi, nel settembre 2025, Google ha dismesso i vecchi URL delle pagine dettaglio prodotto, reindirizzandoli a una nuova superficie “Immersive Product” caricata via AJAX asincrono. Qualsiasi guida scritta prima della fine del 2025 è ormai in gran parte superata.

Come ogni metodo gestisce queste sfide

Le SERP API gestiscono tutto dietro le quinte — proxy, rendering, risoluzione dei CAPTCHA. Tu non devi pensarci.

Thunderbit Cloud Scraping usa infrastrutture cloud distribuite tra USA, UE e Asia per gestire in automatico rendering JS e misure anti-bot. La modalità Browser Scraping usa la tua sessione Chrome autenticata, che aggira il rilevamento perché sembra una normale navigazione.

Il Playwright fai-da-te scarica tutto su di te — gestione dei proxy, taratura dei delay, risoluzione dei CAPTCHA, manutenzione dei selettori e controllo continuo dei problemi.

Quanto costa davvero estrarre i dati di Google Shopping: confronto onesto

“50$ per circa 20k richieste… un po’ caro per il mio progetto hobby.” Commenti così spuntano spesso nei forum. Ma di solito si ignora il costo più grande di tutti.

Tabella di confronto dei costi

Il costo nascosto che tutti ignorano: il tuo tempo

Una soluzione DIY da 0$ che ti fa perdere 40 ore di debugging non è gratis. A 50$/ora, stai spendendo 2.000$ di lavoro — per uno scraper che potrebbe rompersi di nuovo il mese prossimo quando Google cambia il DOM.

Il Technology Outlook di McKinsey indica che il pareggio build/buy si raggiunge solo oltre . Sotto quella soglia, costruire in casa “brucia budget senza generare ROI”. Per la maggior parte dei team ecommerce che fanno da poche centinaia a qualche migliaio di ricerche a settimana, uno strumento no-code o una SERP API è molto più conveniente di una soluzione sviluppata internamente.

Come impostare il monitoraggio automatico dei prezzi su Google Shopping

La maggior parte delle guide tratta lo scraping come un’attività una tantum. Il vero caso d’uso per i team ecommerce è il monitoraggio continuo e automatizzato. Non ti servono solo i prezzi di oggi — ti servono quelli di ieri, della scorsa settimana e di domani.

Impostare lo scraping pianificato con Thunderbit

Lo Scheduled Scraper di Thunderbit ti permette di descrivere l’intervallo temporale in linguaggio naturale — “ogni giorno alle 9” oppure “ogni lunedì e giovedì a mezzogiorno” — e l’AI lo trasforma in una pianificazione ricorrente. Inserisci gli URL di Google Shopping, clicca "Schedule" e hai finito.

Ogni esecuzione esporta automaticamente su Google Sheets, Airtable o Notion. Il risultato finale: un foglio di calcolo che si aggiorna ogni giorno da solo con i prezzi dei concorrenti, pronto per pivot table o alert.

Niente cron job. Niente gestione server. Niente sbattimenti con Lambda. (Ho visto post di sviluppatori che hanno perso giorni per far girare Selenium su AWS Lambda — lo scheduler di Thunderbit salta tutto questo.)

Per approfondire i , abbiamo una guida separata dedicata.

Pianificazione con Python (per sviluppatori)

Se usi l’approccio con SERP API, puoi programmare le esecuzioni con cron job (Linux/Mac), Utilità di pianificazione di Windows, oppure scheduler cloud come AWS Lambda o Google Cloud Functions. Anche librerie Python come APScheduler vanno benissimo.

Il compromesso: ora sei tu responsabile del monitoraggio dello script, della gestione dei fallimenti, della rotazione dei proxy su base programmata e dell’aggiornamento dei selettori quando Google cambia pagina. Per la maggior parte dei team, il tempo tecnico speso a mantenere uno scraper Python pianificato supera il costo di uno strumento dedicato.

Consigli e best practice per estrarre dati da Google Shopping

Qualunque metodo tu scelga, alcune accortezze ti risparmieranno un bel po’ di problemi.

Rispetta i limiti di frequenza

Non martellare Google con centinaia di richieste in rapida successione — verrai bloccato, e il tuo IP potrebbe restare segnalato per un po’. Nei metodi fai-da-te: distribuisci le richieste a 10–20 secondi di distanza con jitter casuale. Strumenti e API lo gestiscono al posto tuo.

Scegli il metodo in base al volume

Guida rapida alla decisione:

• < 10 query/settimana → piano gratuito di Thunderbit o piano gratuito di SerpApi
• 10–1.000 query/settimana → piano a pagamento SERP API o
• 1.000+ query/settimana → piano enterprise SERP API o Thunderbit Open API

Pulisci e valida i dati

I prezzi includono simboli di valuta, formattazione locale (1.299,00 € vs $1,299.00) e a volte caratteri spuri. Usa i Field AI Prompts di Thunderbit per normalizzare già in fase di estrazione, oppure pulisci con pandas dopo:

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

Controlla eventuali duplicati tra inserzioni organiche e sponsorizzate — spesso si sovrappongono. Fai deduplica usando la tupla (titolo, prezzo, venditore).

Conosci il quadro legale

Lo scraping di dati di prodotto pubblicamente disponibili è generalmente considerato legale, ma il quadro normativo si sta muovendo in fretta. Lo sviluppo più importante recente: ai sensi del DMCA § 1201 per aver aggirato il sistema anti-scraping “SearchGuard” di Google. Si tratta di un nuovo fronte di enforcement che aggira le difese consolidate in casi precedenti come hiQ v. LinkedIn e Van Buren v. United States.

Indicazioni pratiche:

• Estrarre solo dati pubblicamente disponibili — non fare login per accedere a contenuti riservati
• Non estrarre informazioni personali (nomi dei recensori, dettagli dell’account)
• Tieni presente che i Termini di servizio di Google vietano l’accesso automatizzato — usare una SERP API o un’estensione browser riduce i rischi, ma non elimina del tutto le zone grigie legali
• Per operazioni nell’UE, considera il GDPR, anche se le schede prodotto sono per lo più dati commerciali non personali
• Valuta una consulenza legale se stai costruendo un prodotto commerciale basato su dati estratti

Per un’analisi più approfondita sulle , abbiamo trattato l’argomento in un articolo dedicato.

Quale metodo dovresti usare per estrarre i dati di Google Shopping?

Dopo aver provato tutti e tre gli approcci sulle stesse categorie di prodotto, ecco a quale conclusione sono arrivato:

Se sei un utente non tecnico e ti servono i dati subito — usa Thunderbit. Apri Google Shopping, clicca due volte, esporta. Avrai un foglio pulito in meno di 5 minuti. Il ti permette di provarlo senza impegno, e la funzione di scraping delle sottopagine ti dà dati più ricchi di quelli prodotti dalla maggior parte degli script Python.

Se sei uno sviluppatore e ti serve accesso ripetibile e programmatico — usa una SERP API. L’affidabilità vale il costo per query e ti risparmi tutte le seccature anti-bot. SerpApi ha la documentazione migliore; ScraperAPI ha il tier gratuito più generoso.

Se ti serve il massimo controllo e stai costruendo una pipeline personalizzata — Playwright funziona, ma va affrontato con gli occhi aperti. Metti in budget parecchio tempo per la gestione dei proxy, la manutenzione dei selettori e la gestione dei CAPTCHA. Nel 2025–2026, lo stack minimo credibile per aggirare i blocchi è curl_cffi con impersonificazione di Chrome + proxy residenziali + pause di 10–20 secondi. Uno script requests semplice con user-agent rotanti è ormai morto.

Il metodo migliore è quello che ti dà dati accurati senza mangiarti la settimana. Per la maggior parte delle persone, non è uno script Python da 60 righe — sono due clic.

Dai un’occhiata ai se ti serve volume, oppure guarda i nostri tutorial sul per vedere il flusso in azione.

FAQ

È legale estrarre i dati di Google Shopping?

Estrarre dati di prodotto pubblicamente disponibili è generalmente legale secondo precedenti come hiQ v. LinkedIn e Van Buren v. United States. Tuttavia, i Termini di servizio di Google vietano l’accesso automatizzato e la causa di Google contro SerpApi del dicembre 2025 ha introdotto una nuova teoria anti-circumvention basata sul DMCA § 1201. Usare strumenti e API affidabili riduce il rischio. Per casi d’uso commerciali, consulta un legale.

Posso estrarre dati da Google Shopping senza essere bloccato?

Sì, ma il metodo conta. Le SERP API gestiscono automaticamente le protezioni anti-bot. Il Cloud Scraping di Thunderbit usa infrastrutture distribuite per evitare i blocchi, mentre la modalità Browser Scraping usa la tua sessione Chrome (che appare come una normale navigazione). Gli script Python fai-da-te richiedono proxy residenziali, delay simili a quelli umani e gestione del TLS fingerprint — e anche così i blocchi sono frequenti.

Qual è il modo più semplice per estrarre i dati di Google Shopping?

L’estensione Chrome di Thunderbit. Vai su Google Shopping, clicca su "AI Suggest Fields", clicca su "Scrape" ed esporta in Google Sheets o Excel. Nessun codice, nessuna API key, nessuna configurazione proxy. L’intero processo richiede circa 2 minuti.

Con quale frequenza posso estrarre Google Shopping per il monitoraggio prezzi?

Con lo Scheduled Scraper di Thunderbit puoi impostare monitoraggi giornalieri, settimanali o a intervalli personalizzati usando descrizioni in linguaggio naturale. Con le SERP API, la frequenza dipende dai limiti di credito del tuo piano — la maggior parte dei provider offre abbastanza risorse per monitorare ogni giorno qualche centinaio di SKU. Gli script DIY possono girare quanto consente la tua infrastruttura, ma più alta è la frequenza, più aumentano i problemi anti-bot.

Posso esportare i dati di Google Shopping su Google Sheets o Excel?

Sì. Thunderbit esporta direttamente su Google Sheets, Excel, Airtable e Notion gratuitamente. Gli script Python possono esportare in CSV o JSON, che poi puoi importare in qualsiasi strumento di fogli di calcolo. Per il monitoraggio continuo, le esportazioni pianificate di Thunderbit su Google Sheets creano un dataset vivo e aggiornato automaticamente.

• Scopri di più