Come estrarre dati da Google Shopping — con o senza codice

Google Shopping gestisce ogni mese oltre . Un’enorme mole di dati su prezzi, trend di prodotto e informazioni sui venditori è già lì, nel browser, raccolta da migliaia di retailer.

Portare questi dati da Google Shopping in un foglio di calcolo? Qui la faccenda si complica. Ho provato parecchi approcci — dalle estensioni browser no-code fino a script Python completi — e l’esperienza va da «wow, è stato semplicissimo» a «sono tre giorni che debugg0 i CAPTCHA e voglio mollare tutto». Molte guide su questo tema danno per scontato che tu sia uno sviluppatore Python, ma nella mia esperienza una grossa fetta di chi ha bisogno dei dati di Google Shopping è fatta da operatori ecommerce, analisti di pricing e marketer che vogliono solo i numeri, senza scrivere codice. Per questo questa guida presenta tre metodi, ordinati dal più semplice al più tecnico, così puoi scegliere quello più adatto alle tue competenze e al tempo che hai a disposizione.

Che cos’è Google Shopping Data?

Google Shopping è un motore di ricerca per prodotti. Scrivi "cuffie wireless a cancellazione del rumore" e Google mostra offerte da decine di negozi online — titoli, prezzi, venditori, valutazioni, immagini, link. Un catalogo vivo e in continuo aggiornamento di ciò che è in vendita sul web.

Perché estrarre dati da Google Shopping?

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

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

usa ormai strumenti di pricing basati sull’AI. Le aziende che investono in competitive pricing intelligence hanno registrato ritorni fino a 29x. Amazon aggiorna i prezzi circa ogni 10 minuti. Se stai ancora controllando i prezzi dei competitor a mano, i conti non tornano.

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 di pricing e marketer che vogliono dati strutturati di Google Shopping senza scrivere codice.

Quali dati puoi davvero estrarre da Google Shopping?

Prima di scegliere uno strumento o scrivere anche solo una riga di codice, conviene sapere con precisione quali campi sono disponibili — e quali richiedono lavoro extra per essere raggiunti.

Campi dai risultati di ricerca di Google Shopping

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

Campi dalle pagine dettaglio prodotto (dati delle sottopagine)

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

Per accedere a questi campi bisogna visitare la sottopagina di ciascun prodotto dopo aver estratto i risultati di ricerca. Gli strumenti con funzionalità di lo gestiscono automaticamente — ti mostro il flusso più sotto.

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

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

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

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

È il percorso più veloce da «mi servono i dati di Google Shopping» a «ecco il mio foglio di calcolo». Niente codice, niente chiavi API, niente configurazione proxy. Ho guidato decine di colleghi non tecnici in questo flusso: nessuno è rimasto bloccato.

Passo 1: installa Thunderbit e apri Google Shopping

Installa dal Chrome Web Store e crea un account gratuito.

Poi vai su Google Shopping. Puoi accedere direttamente a shopping.google.com oppure usare la scheda Shopping in una normale ricerca Google. Cerca il prodotto o la categoria che ti interessa — per esempio, "cuffie wireless a cancellazione del rumore".

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

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

Fai clic sull’icona dell’estensione Thunderbit per aprire la barra laterale, 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, rimuovere quelle che non ti servono oppure aggiungere campi personalizzati. Se vuoi essere specifico — ad esempio, "estrai solo il prezzo numerico senza simbolo di 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 trasferisce ogni scheda prodotto visibile in una tabella strutturata.

Hai più pagine? Thunderbit gestisce automaticamente la paginazione — passando da una pagina all’altra o facendo scroll per caricare altri risultati, a seconda del layout. Se hai molti 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 specifici per regione o richiede il login).

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

Passo 4: arricchisci i dati con lo scraping delle sottopagine

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

Non serve alcuna configurazione extra: l’AI capisce da sola la struttura di ogni pagina dettaglio e recupera i dati rilevanti. In questo modo ho costruito una matrice completa di competitive pricing (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 i download CSV e JSON.

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

Metodo 2: estrarre dati da 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 di SERP API (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 invii una richiesta HTTP e ricevi JSON strutturato in risposta.

Passo 1: configura l’ambiente Python

Installa Python 3.12 (il default più sicuro per la produzione nel 2025–2026) e i pacchetti necessari:

1pip install requests pandas

Registrati presso un provider di SERP API. offre 100 ricerche gratuite al mese; dà 5.000 crediti gratuiti. Recupera la tua API key dalla dashboard.

Passo 2: configura la richiesta API

Ecco un esempio minimale usando 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 elaborazioni in batch: puoi ciclare su 50 keyword e costruire un dataset completo in un solo script. Il compromesso è il costo — le SERP API fanno pagare per query e, con migliaia di query al giorno, la spesa cresce rapidamente. Ne parliamo meglio più avanti.

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

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

L’approccio del «controllo totale». Avvii un browser reale, 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.

Avviso onesto: 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 mezzi termini: "Tutti gli IP AWS saranno 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 misure 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

Inserisci ritardi simili a quelli umani tra un’azione e l’altra — attese casuali di 2–5 secondi tra i caricamenti pagina. I sistemi di rilevamento di Google segnalano pattern di richieste rapidi e regolari.

Passo 3: scorri, vai tra le pagine ed estrai i dati prodotto

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

1import time, random
2# Scroll 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 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 indicativi e cambieranno. Google ruota spesso i nomi delle classi. Solo nel periodo 2024–2026 sono stati documentati tre set diversi di selettori. È meglio ancorarsi ad attributi più stabili come jsname, data-cid, tag <h3> e img[alt], invece che ai 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)

Aspettati di dover mantenere questo script con regolarità. Quando Google cambia la struttura della pagina — cosa che succede più volte all’anno — i selettori si rompono e si torna a debuggare.

Il problema più grande: CAPTCHA e blocchi anti-bot

Forum dopo forum, la storia è sempre la stessa: "Ho passato alcune settimane ma ho rinunciato contro i metodi anti-bot di Google." CAPTCHA e blocchi IP sono il motivo numero uno per cui le persone abbandonano gli scraper Google Shopping fai-da-te.

Come Google blocca gli scraper (e cosa fare)

Nel gennaio 2025, Google ha reso obbligatoria l’esecuzione JavaScript per i risultati SERP e Shopping, — inclusi i pipeline usati da SemRush e SimilarWeb. Poi, nel settembre 2025, Google ha deprecato i vecchi URL delle pagine dettaglio prodotto, reindirizzandoli a una nuova superficie "Immersive Product" caricata via AJAX asincrono. Qualsiasi tutorial scritto prima della fine del 2025 è ormai in gran parte superato.

Come ogni metodo gestisce queste sfide

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

Cloud Scraping di Thunderbit usa un’infrastruttura cloud distribuita tra USA, UE e Asia per gestire automaticamente il rendering JS e le misure anti-bot. La modalità Browser Scraping usa la tua sessione Chrome autenticata, aggirando di fatto il rilevamento perché sembra una normale navigazione utente.

Playwright fai-da-te mette tutto sulle tue spalle — gestione proxy, taratura delle attese, risoluzione CAPTCHA, manutenzione dei selettori e monitoraggio continuo dei malfunzionamenti.

Il costo reale per estrarre dati da Google Shopping: confronto onesto

"50 dollari per circa 20k richieste… un po’ caro per il mio progetto hobbistico." Questa lamentela compare continuamente nei forum. Ma quasi sempre si ignora il costo più grande di tutti.

Tabella di confronto dei costi

Il costo nascosto che tutti ignorano: il tuo tempo

Una soluzione fai-da-te da 0 $ che ti mangia 40 ore di debug non è affatto gratuita. A 50 $/ora, sono 2.000 $ di lavoro — per uno scraper che potrebbe rompersi di nuovo il mese prossimo quando Google cambia il DOM.

Secondo il Technology Outlook di McKinsey, il pareggio tra build e buy arriva solo oltre . Sotto quella soglia, costruire internamente "consuma budget senza generare ROI." Per la maggior parte dei team ecommerce che fa qualche centinaio o qualche migliaio di lookup a settimana, uno strumento no-code o una SERP API è molto più conveniente che sviluppare tutto in casa.

Come impostare il monitoraggio automatico dei prezzi su Google Shopping

Molte guide trattano 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 settimana scorsa e di domani.

Configurare 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 converte in una pianificazione ricorrente. Inserisci le URL di Google Shopping, fai clic su "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 con i prezzi dei competitor, pronto per tabelle pivot o alert.

Niente cron job. Niente gestione server. Niente mal di testa con le funzioni 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 come costruire , abbiamo una guida 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. Vanno bene anche librerie Python come APScheduler.

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

Consigli e buone pratiche per estrarre dati da Google Shopping

Qualunque metodo tu scelga, alcune accortezze ti eviteranno parecchi grattacapi.

Rispetta i rate limit

Non martellare Google con centinaia di richieste rapide — verrai bloccato e il tuo IP potrebbe restare segnalato per un po’. Nei metodi fai-da-te: distanzia le richieste di 10–20 secondi con jitter casuale. Strumenti e API se ne occupano automaticamente.

Abbina il metodo al volume

Guida rapida alla scelta:

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

Pulisci e valida i dati

I prezzi arrivano con simboli di valuta, formattazioni locali (1.299,00 € vs $1,299.00) e occasionali caratteri spazzatura. 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 i duplicati tra inserzioni organiche e sponsorizzate — spesso si sovrappongono. Deduplica usando la tupla (titolo, prezzo, venditore).

Conosci il quadro legale

Estrarre dati di prodotto pubblicamente disponibili è generalmente considerato legale, ma il contesto normativo sta evolvendo rapidamente. Lo sviluppo recente più importante: ai sensi della sezione 1201 del DMCA per aver aggirato il sistema anti-scraping "SearchGuard" di Google. Si tratta di un nuovo fronte di enforcement che aggira le difese affermate in casi precedenti come hiQ v. LinkedIn e Van Buren v. United States.

Linee guida pratiche:

• Estrai solo dati pubblicamente disponibili — non effettuare login per accedere a contenuti riservati
• Non raccogliere 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, ma non elimina, le aree grigie legali
• Per operazioni nell’UE, considera il GDPR, anche se le schede prodotto sono per la maggior parte dati commerciali non personali
• Valuta di consultare un legale se stai costruendo un prodotto commerciale basato su dati estratti

Per un approfondimento su , abbiamo trattato l’argomento in una guida separata.

Quale metodo dovresti usare per estrarre dati da Google Shopping?

Dopo aver testato tutti e tre gli approcci sulle stesse categorie di prodotto, ecco la mia conclusione:

Se sei un utente non tecnico e ti servono dati in fretta — 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 un accesso programmabile e ripetibile — usa una SERP API. L’affidabilità vale il costo per query e ti eviti tutti i problemi 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 entra in gioco con consapevolezza. Metti in conto tempo significativo per la gestione dei proxy, la manutenzione dei selettori e la gestione dei CAPTCHA. Nel 2025–2026, lo stack minimo realistico 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 morto.

Il metodo migliore è quello che ti fornisce dati accurati senza divorarti 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 dati da 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 intentata da Google contro SerpApi nel dicembre 2025 ha introdotto una nuova teoria anti-circumvention basata sul DMCA § 1201. L’uso di strumenti e API affidabili riduce il rischio. Per casi d’uso commerciali, consulta un avvocato.

Posso estrarre dati da Google Shopping senza essere bloccato?

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

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

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

Con che frequenza posso estrarre dati da 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 piano — la maggior parte dei provider offre abbastanza crediti per un monitoraggio giornaliero di qualche centinaio di SKU. Gli script fai-da-te possono girare quanto consente la tua infrastruttura, ma frequenze più alte significano più problemi anti-bot.

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

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