Google Maps-gegevens scrapen met Python

Als je ooit een gerichte saleslijst wilde opbouwen, nieuwe markten wilde verkennen of concurrenten wilde benchmarken, dan weet je dat Google Maps een echte goudmijn is. Maar hier zit de clou: met meer dan 1,5 miljard zoekopdrachten per maand met ‘in de buurt van mij’ en 76% van de lokale zoekers die binnen 24 uur een bedrijf bezoekt (), is de vraag naar actuele bedrijfsgegevens op basis van locatie nog nooit zo groot geweest.

Of je nu in sales, marketing of operations werkt: gestructureerde data uit Google Maps halen kan het verschil maken tussen een koude belronde en een warme lead met een hoge kans op conversie.

Ik werk al jaren in SaaS en automatisering, en ik heb van dichtbij gezien hoe teams Python gebruiken (en tegenwoordig ook AI-gedreven tools zoals ) om Google Maps om te zetten in een strategisch voordeel. In deze gids laat ik stap voor stap zien hoe je in 2026 Google Maps-data kunt scrapen met Python — inclusief code, compliance-tips en een vergelijking met no-code alternatieven. Ben je een Python-pro of zoek je gewoon de snelste weg naar bruikbare data? Dan zit je hier goed.

Wat betekent Google Maps scrapen met Python?

Laten we bij de basis beginnen: Google Maps scrapen met Python betekent dat je geautomatiseerd bedrijfsinformatie ophaalt — zoals namen, adressen, beoordelingen, reviews, telefoonnummers en coördinaten — uit Google Maps, zodat je die kunt analyseren, filteren en exporteren voor zakelijk gebruik.

Er zijn twee hoofdmanieren om dit aan te pakken:

1. Google Maps Places API: de officiële en gelicentieerde route. Je gebruikt een API-sleutel om Google’s servers te bevragen en gestructureerde JSON-data terug te krijgen. Dit is stabiel, voorspelbaar en grotendeels conform de regels, maar er gelden wel quota en kosten.
2. HTML webscraping: je automatiseert een browser (met tools zoals Playwright of Selenium) om Google Maps te laden, zoekopdrachten uit te voeren en de weergegeven pagina te parsen. Dit is flexibeler, maar ook kwetsbaarder — Google past de site-structuur regelmatig aan, en HTML scrapen kan in strijd zijn met de voorwaarden van Google.

Typische datavelden die je kunt ophalen:

• Bedrijfsnaam
• Categorie/type
• Volledig adres (plus stad, provincie/regio, postcode, land)
• Breedte- en lengtegraad
• Telefoonnummer
• Website-URL
• Beoordeling en aantal reviews
• Prijsniveau
• Bedrijfsstatus (open/gesloten)
• Openingstijden
• Place ID (de unieke identifier van Google)
• Google Maps-URL

Waarom is dit belangrijk? Omdat deze velden alles mogelijk maken: van leadgeneratie en territory planning tot concurrentieanalyse en marktonderzoek. Het draait om het doelgericht verzamelen van de juiste data voor jouw business. Scrape dus niet zomaar alles blindelings.

Waarom sales- en marketingteams gegevens uit Google Maps halen met Python

Laten we het concreet maken. Waarom zijn zoveel sales- en marketingteams in 2026 zo gefocust op Google Maps-data?

• Leadgeneratie: bouw hypergerichte lijsten van lokale bedrijven, compleet met contactgegevens en beoordelingen voor outreach-campagnes.
• Territory planning: breng salesregio’s, leveringszones of servicegebieden in kaart op basis van echte bedrijvendichtheid en bedrijfstypes.
• Concurrentiemonitoring: volg in de tijd de locaties, beoordelingen en reviews van concurrenten om trends en kansen te signaleren.
• Marktonderzoek: analyseer bedrijfscategorieën, openingstijden en review-sentiment om go-to-market-strategieën te ondersteunen.
• Locatieselectie: voor vastgoed en retail kun je potentiële vestigingslocaties beoordelen op basis van voorzieningen in de buurt, loopverkeer en concurrentie.

Impact in de praktijk: Volgens de is 92% van de salesteams van plan om te investeren in AI/data, en teams die werken met gerichte lokale data zien conversieratio’s tot 8× hoger dan teams die alleen generieke cold lists gebruiken (). Een studie naar leadgeneratie voor franchises liet zelfs zien dat er $15 aan nieuwe omzet werd gegenereerd voor elke $1 die werd uitgegeven aan leadlijsten gebaseerd op Google Maps.

Zakelijke doelen koppelen aan Google Maps-velden:

Je Python Google Maps-scraper opzetten: tools en vereisten

Voordat je begint met scrapen, moet je je Python-omgeving klaarzetten en de juiste tools verzamelen. Dit heb je in 2026 nodig:

1. Python en vereiste libraries installeren

Aanbevolen Python-versie: 3.10 of nieuwer.

Installeer de belangrijkste libraries:

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

Wat deze doen:

• requests, httpx: HTTP-verzoeken (API-calls)
• beautifulsoup4, lxml: HTML-parsing (voor webscraping)
• pandas: opschonen, analyseren en exporteren van data
• selenium, playwright: browserautomatisering (voor HTML-scraping)
• googlemaps, google-maps-places: Google Maps API-clients
• schedule, APScheduler: taken plannen
• python-dotenv: API-sleutels veilig laden vanuit .env-bestanden
• tenacity: retry-logica voor foutafhandeling

2. Een Google Maps API-sleutel ophalen (voor API-gebaseerd scrapen)

• Ga naar .
• Maak een project aan of selecteer een bestaand project.
• Schakel billing in (verplicht, ook voor gratis gebruik binnen de limieten).
• Schakel “Places API (New)” in via APIs & Services > Library.
• Ga naar Credentials > Create Credentials > API Key.
• Beperk je sleutel tot specifieke API’s en IP’s voor extra beveiliging.
• Bewaar je API-sleutel in een .env-bestand (nooit direct in je code committen):

1GOOGLE_MAPS_API_KEY=your_actual_api_key_here

Let op: Sinds maart 2025 biedt Google geen universele gratis tegoedregeling van $200 per maand meer aan. In plaats daarvan gelden per API-tier gratis maandelijkse drempels (zie de ).

Hoe je met Python data uit Google Maps haalt: stap-voor-stap

We splitsen de twee belangrijkste aanpakken uit — via de API en via HTML-scraping — zodat je kunt kiezen wat het beste past.

Aanpak 1: de Google Maps Places API gebruiken (aanbevolen)

Stap 1: vereiste libraries installeren en importeren

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

Stap 2: je API-sleutel veilig laden

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

Stap 3: je zoekopdracht opbouwen

Je gebruikt het Text Search-endpoint om bedrijven te vinden die aan je criteria voldoen.

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])

Stap 4: de API-aanroep uitvoeren

1def text_search(query, lat, lng, radius=3000, min_rating=4.0):
2    body = {
3        "textQuery": query,
4        "minRating": min_rating,  # server-side filter
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,  # Altijd instellen!
19    }
20    r = httpx.post(URL, json=body, headers=headers, timeout=30)
21    r.raise_for_status()
22    return r.json()

Stap 5: paginering afhandelen en resultaten verzamelen

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

Stap 6: data exporteren met Pandas

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

Pro-tips:

• Stel altijd de X-Goog-FieldMask-header in om kosten te beheersen. Als je bijvoorbeeld reviews of foto’s opvraagt, kan de prijs per 1.000 verzoeken stijgen van $5 naar $25 ().
• Gebruik server-side filters (zoals minRating, includedType, locationBias) om geen credits te verspillen aan irrelevante resultaten.
• Bewaar place_id-waarden voor deduplicatie en toekomstige updates.

Aanpak 2: Google Maps HTML scrapen (voor educatief of eenmalig gebruik)

Waarschuwing: Google Maps is een single-page app. Je hebt browserautomatisering nodig (Playwright of Selenium), en HTML-scraping kan in strijd zijn met de voorwaarden van Google. Gebruik dit voor onderzoek, niet voor productie.

Stap 1: Playwright installeren en een browser starten

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

Tips:

• Google randomiseert CSS-klassen elke paar weken, dus deze code heeft regelmatig updates nodig.
• Gebruik menselijke pauzes en scrape niet te snel om de kans op blokkades te verkleinen.
• Probeer nooit CAPTCHAs of Google’s SearchGuard-systeem te omzeilen — dat kan juridische risico’s opleveren.

Vermijd blind scrapen: hoe je precies de data target die je nodig hebt

Alles scrapen is een recept voor tijdverlies en onnodig grote datasets. Zo kun je alleen de data targetten die ertoe doet:

• Genereer gerichte URL-lijsten: gebruik Google Maps’ eigen zoekfilters (categorie, locatie, beoordeling, nu open) om resultaten te verfijnen vóór het scrapen.
• Gebruik phrase matching: zoek op exacte bedrijfstypen of trefwoorden (bijv. “vegan bakery in Austin”).
• Locatiefilters: specificeer een stad, wijk of zelfs coördinaten en straal voor maximale nauwkeurigheid.
• Server-side filtering (API): gebruik minRating, includedType en locationBias in de request body van je API.
• Client-side filtering (Python): filter na het scrapen met pandas op bedrijven met een rating boven 4.0, meer dan 50 reviews of specifieke categorieën.

Voorbeeld: alleen restaurants in Manhattan met een rating boven 4.0 filteren

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)

Python-libraries gebruiken om Google Maps-data te organiseren en exporteren

Zodra je data hebt verzameld, is het tijd om die op te schonen, te analyseren en te exporteren voor je team.

Data opschonen en structureren met 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)

Data analyseren en samenvatten

Voorbeeld: gemiddelde beoordeling per wijk

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)

Exporteren naar Excel of CSV

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

Grote datasets? Gebruik Parquet voor snelheid en compacte opslag:

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

Thunderbit: het AI-gedreven alternatief voor een Python Google Maps-scraper

Als je nu denkt: “Dit is best veel werk voor gewoon een simpele leadlijst,” dan ben je niet de enige. Precies daarom hebben we gebouwd — een AI-gedreven, no-code webscraper die Google Maps-data (en nog veel meer) binnen een paar klikken beschikbaar maakt.

Waarom Thunderbit?

• Geen code of API-sleutels nodig: open gewoon de , ga naar Google Maps en klik op “AI Suggest Fields”.
• AI-veldherkenning: Thunderbit’s AI leest de pagina en stelt automatisch de juiste kolommen voor — naam, adres, beoordeling, telefoon, website en meer.
• Subpagina-scraping: wil je je tabel verrijken met data van de website van elk bedrijf? Thunderbit kan automatisch elke subpagina bezoeken en extra informatie ophalen.
• Exporteren naar Excel, Google Sheets, Airtable of Notion: geen gedoe meer met pandas — klik op “Export” en je data is klaar voor gebruik.
• Gepland scrapen: stel terugkerende taken in om concurrenten te volgen of je leadlijst automatisch te verversen.
• Geen onderhoud: Thunderbit’s AI past zich aan aan wijzigingen op de site, dus je hoeft niet steeds kapotte scripts te repareren.

Thunderbit vs Python-workflow:

Bonus: Thunderbit wordt vertrouwd door meer dan , en met de gratis versie kun je tot 6 pagina’s scrapen (of 10 met een proefboost), helemaal kosteloos.

Conform blijven: Google Maps-voorwaarden en scraping-ethiek

Hier gaat het in veel Python-tutorials mis, omdat ze inmiddels achterhaald zijn. Dit moet je in 2026 weten:

• Google Maps Platform ToS §3.2.3 verbiedt het scrapen, cachen of exporteren van data buiten de officiële API’s expliciet (). De enige uitzondering: latitude/longitude-waarden mogen tot 30 dagen worden gecached; Place ID’s mogen onbeperkt worden opgeslagen.
• API-gebruikers zijn contractueel gebonden: als je een API-sleutel gebruikt, ga je akkoord met Google’s voorwaarden — ook als je alleen openbare data verzamelt.
• Het omzeilen van technische barrières (CAPTCHA’s, SearchGuard) kan inmiddels een mogelijke overtreding van DMCA §1201 zijn, met zelfs strafrechtelijke risico’s ().
• AVG/GDPR en privacywetgeving: als je persoonsgegevens verzamelt (e-mails, telefoonnummers, namen van reviewers) uit Google Maps, heb je een geldige juridische grondslag nodig en moet je verwijderverzoeken respecteren. De Franse toezichthouder CNIL legde KASPR in 2024 een boete van €200.000 op voor het scrapen van LinkedIn-contacten ().
• Best practices:
  • Kies waar mogelijk standaard voor de Places API.
  • Beperk je verzoeken in snelheid (≤10 QPS voor API, 1–2 req/s voor HTML-scraping).
  • Omzeil nooit CAPTCHA’s of technische blokkades.
  • Deel gescrapete persoonsgegevens niet opnieuw.
  • Respecteer opt-out- en verwijderverzoeken.
  • Controleer altijd de lokale wetgeving — AVG, CCPA en andere regels worden actief gehandhaafd.

Kort gezegd: als compliance belangrijk is, blijf dan bij de API en verzamel zo min mogelijk data. Voor de meeste zakelijke gebruikers verlaagt een no-code tool zoals Thunderbit je risico’s aanzienlijk (geen API-sleutel, geen herdistributie).

Je Google Maps-scraping met Python plannen en automatiseren

Als je je data actueel wilt houden — bijvoorbeeld voor wekelijkse concurrentiemonitoring of maandelijkse updates van leadlijsten — dan is automatisering je beste vriend.

Eenvoudig plannen met 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)

Productieklare planning met 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),  # 03:15 ± 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()

Tips voor veilige automatisering

• Voeg willekeurige jitter toe aan je planning om voorspelbare patronen te vermijden.
• Bij HTML-scraping: ga nooit boven 1–2 verzoeken per seconde.
• Bij API-gebruik: monitor je quota en stel billing alerts in.
• Log altijd fouten en houd een “dead-letter”-bestand bij voor mislukte verzoeken.

Thunderbit-bonus: met Thunderbit kun je terugkerende scrapes direct in de interface plannen — geen code, geen cronjobs, geen serverconfiguratie.

Belangrijkste inzichten: efficiënt, gericht en conform Google Maps-data verzamelen

Laten we de kernpunten nog even samenvatten:

• Google Maps is dé bron voor bedrijfslocatiegegevens, en ondersteunt alles van leadgeneratie tot marktonderzoek.
• Scrapen met Python biedt flexibiliteit en controle, maar brengt ook setup, onderhoud en compliance-overhead met zich mee — zeker nu Google’s anti-botmaatregelen en juridische handhaving strenger worden.
• API-gebaseerde extractie is voor de meeste teams de veiligste en schaalbaarste route. Gebruik altijd field masks en server-side filters om kosten te beheersen.
• HTML-scraping is kwetsbaar en risicovol — gebruik het alleen voor eenmalig onderzoek en omzeil nooit technische barrières.
• Target je data: gebruik phrase matching, locatiefilters en pandas-workflows om alleen te verzamelen wat je nodig hebt.
• Thunderbit is de snelste oplossing voor niet-programmeurs: AI-gedreven, geen installatie, direct exporteren en ingebouwde planning.
• Compliance is belangrijk: respecteer Google’s voorwaarden, privacywetgeving en rate limits om juridische problemen te voorkomen.

Voor meer tutorials en tips kun je terecht op de en ons .

FAQ’s

1. Is het in 2026 legaal om Google Maps-data te scrapen met Python?

Scrapen via de officiële Google Maps API is toegestaan binnen de voorwaarden van Google, zolang je de quota respecteert en geen beperkte data herverdeelt. HTML-scraping van Google Maps is expliciet verboden door Google’s voorwaarden en brengt juridische risico’s met zich mee, zeker als je technische barrières omzeilt of persoonsgegevens zonder toestemming verzamelt. Controleer altijd de lokale wetgeving (AVG, CCPA, enz.) en volg de best practices voor compliance.

2. Wat is het verschil tussen de Google Maps API en HTML webscraping?

De API is stabiel, gelicentieerd en bedoeld voor data-extractie, maar vereist een API-sleutel en is onderhevig aan quota en kosten. HTML-scraping gebruikt browserautomatisering om data uit de gerenderde pagina te halen, maar is kwetsbaar (de site verandert vaak), kan in strijd zijn met de voorwaarden en is juridisch risicovoller. Voor de meeste zakelijke toepassingen is de API de aanbevolen route.

3. Hoeveel kost het om in 2026 data uit Google Maps te halen met Python?

De prijs van Google’s Places API wordt per 1.000 verzoeken berekend en varieert van $5 (Essentials) tot $25 (Enterprise+Atmosphere), afhankelijk van de velden die je opvraagt. Er zijn gratis maandelijkse drempels (10.000 voor Essentials, 5.000 voor Pro, 1.000 voor Enterprise), maar grootschalig scrapen kan snel oplopen. Gebruik altijd field masks en server-side filters om kosten te beperken.

4. Hoe verhoudt Thunderbit zich tot Python-gebaseerde Google Maps-scrapers?

Thunderbit is een no-code, AI-gedreven webscraper waarmee je Google Maps-data (en veel meer) kunt extraheren zonder programmeren, API-sleutels of onderhoud. Ideaal voor sales- en marketingteams die snel en betrouwbaar willen exporteren naar Excel, Google Sheets, Airtable of Notion. Voor technische gebruikers die maatwerklogica nodig hebben biedt Python meer flexibiliteit, maar het vraagt ook meer setup en compliancebeheer.

5. Hoe automatiseer ik terugkerende Google Maps-data-extractie?

Met Python gebruik je planningsbibliotheken zoals schedule of APScheduler om je scraper op vaste intervallen te laten draaien (dagelijks, wekelijks, enz.). Voeg willekeurige jitter toe om detectie te vermijden en monitor je API-quota. Met Thunderbit kun je terugkerende scrapes direct in de interface plannen — zonder code of serverconfiguratie.

Klaar om Google Maps om te zetten in jouw superkracht voor sales en marketing? Of je nu een Python-liefhebber bent of juist de snelste no-code oplossing zoekt, in 2026 zijn de tools er al. Probeer voor directe AI-gedreven scraping — of rol je mouwen op en duik in de API. Hoe dan ook: moge je leadlijsten vers zijn, je exports schoon en je campagnes gevuld met veelbelovende lokale prospects. Veel succes met scrapen!

Meer lezen