Hur man skrapar Google Shopping-data — med eller utan kod

Google Shopping hanterar över . Det är en enorm mängd prisdata, produkttrender och säljarinfo — allt ligger där i webbläsaren, samlat från tusentals återförsäljare.

Att få ut den datan från Google Shopping och in i ett kalkylark? Där börjar det strula. Jag har lagt rätt mycket tid på att testa olika vägar — från no-code webbläsartillägg till rena Python-skript — och upplevelsen varierar från “wow, det där var enkelt” till “jag har felsökt CAPTCHAs i tre dagar och vill bara lägga ner”. De flesta guider i ämnet utgår från att du är Python-utvecklare, men enligt min erfarenhet är många som faktiskt behöver Google Shopping-data e-handlare, prisanalytiker och marknadsförare som bara vill ha siffrorna utan att skriva kod. Därför går den här guiden igenom tre metoder, från enklast till mest teknisk, så att du kan välja det spår som passar din nivå och din tidsbudget.

Vad är Google Shopping-data?

Google Shopping är en produkt-sökmotor. Skriv in "trådlösa brusreducerande hörlurar" och Google visar produkter från massor av butiker — produkttitlar, priser, säljare, betyg, bilder och länkar. Ett levande, ständigt uppdaterat utbud av vad som finns till salu på nätet.

Varför skrapa Google Shopping-data?

En enskild produktsida säger egentligen inte så mycket. Men hundratals av dem, strukturerade i ett kalkylark — då börjar mönstren framträda.

Här är de vanligaste användningsområdena jag har sett:

använder nu AI-baserade verktyg för prissättning. Företag som investerar i konkurrensbaserad prisbevakning har rapporterat avkastning på upp till 29x. Amazon uppdaterar priser ungefär var tionde minut. Om du fortfarande kollar konkurrentpriser manuellt talar siffrorna inte direkt till din fördel.

Thunderbit är ett AI Web Scraper Chrome-tillägg som hjälper företag att skrapa data från webbplatser med hjälp av AI. Det är särskilt användbart för e-handlare, prisanalytiker och marknadsförare som vill få strukturerad Google Shopping-data utan att skriva kod.

Vilken data kan du egentligen skrapa från Google Shopping?

Innan du väljer verktyg eller skriver en enda rad kod är det bra att veta exakt vilka fält som finns tillgängliga — och vilka som kräver lite extra jobb för att nå.

Fält från sökresultaten i Google Shopping

När du gör en sökning i Google Shopping innehåller varje produktkort på resultatsidan:

Fält från produktsidorna (underdatasidor)

Om du klickar dig vidare till en enskild produkts detaljsida i Google Shopping kan du få fram mer omfattande data:

För att komma åt de här fälten behöver du besöka varje produkts undersida efter att du har skrapat sökresultaten. Verktyg med stöd för sköter detta automatiskt — jag går igenom flödet längre ned.

Tre sätt att skrapa Google Shopping-data (välj ditt spår)

Tre metoder, från enklast till mest teknisk. Välj den rad som passar din situation och hoppa vidare:

Metod 1: Skrapa Google Shopping-data utan kod (med Thunderbit)

• Svårighetsgrad: Nybörjare
• Tidsåtgång: ~2–5 minuter
• Du behöver: Chrome-webbläsare, (gratisnivån räcker), en Google Shopping-sökning

Det snabbaste sättet från “jag behöver Google Shopping-data” till “här är mitt kalkylark”. Ingen kod, inga API-nycklar, ingen proxykonfiguration. Jag har gått igenom det här flödet med kollegor utan teknisk bakgrund dussintals gånger — ingen har kört fast.

Steg 1: Installera Thunderbit och öppna Google Shopping

Installera från Chrome Web Store och skapa ett gratis konto.

Gå sedan till Google Shopping. Du kan antingen gå direkt till shopping.google.com eller använda Shopping-fliken i en vanlig Google-sökning. Sök efter vilken produkt eller kategori du vill — till exempel "trådlösa brusreducerande hörlurar".

Du bör se en yta med produktlistningar, priser, säljare och betyg.

Steg 2: Klicka på "AI Suggest Fields" för att autoidentifiera kolumner

Klicka på Thunderbit-tilläggets ikon för att öppna sidopanelen och tryck sedan på "AI Suggest Fields." AI:n skannar Google Shopping-sidan och föreslår kolumner som Produkttitel, Pris, Säljare, Betyg, Antal recensioner, Bild-URL och Produktlänk.

Gå igenom de föreslagna fälten. Du kan byta namn på kolumner, ta bort det du inte behöver eller lägga till egna fält. Om du vill vara mer exakt — till exempel “extrahera bara det numeriska priset utan valutasymbol” — kan du lägga in en Field AI Prompt för just den kolumnen.

Du bör se en förhandsvisning av kolumnstrukturen i Thunderbit-panelen.

Steg 3: Klicka på "Scrape" och granska resultatet

Tryck på den blå "Scrape"-knappen. Thunderbit hämtar alla synliga produktlistningar till en strukturerad tabell.

Flera sidor? Thunderbit hanterar paginering automatiskt — antingen genom att klicka vidare mellan sidor eller scrolla för att ladda fler resultat beroende på layouten. Om du har många resultat kan du välja mellan Cloud Scraping (snabbare, klarar upp till 50 sidor åt gången, körs via Thunderbits distribuerade infrastruktur) eller Browser Scraping (använder din egen Chrome-session — smidigt om Google visar regionspecifika resultat eller kräver inloggning).

I mina tester tog det ungefär 30 sekunder att skrapa 50 produktlistningar. Samma jobb manuellt — öppna varje listning, kopiera titel, pris, säljare och betyg — hade tagit mig över 20 minuter.

Steg 4: Berika datan med skrapning av undersidor

Efter första skrapningen klickar du på "Scrape Subpages" i Thunderbit-panelen. AI:n besöker varje produkts detaljsida och lägger till fler fält — fullständig beskrivning, alla säljarpriser, specifikationer och recensioner — i den ursprungliga tabellen.

Ingen extra konfiguration behövs — AI:n förstår strukturen på varje detaljsida och hämtar relevant data. Jag satte ihop en komplett matris för konkurrenspriser (produkt + alla säljarpriser + specifikationer) för 40 produkter på under 5 minuter på det här sättet.

Steg 5: Exportera till Google Sheets, Excel, Airtable eller Notion

Klicka på "Export" och välj destination — , Excel, Airtable eller Notion. Allt är gratis. CSV- och JSON-nedladdningar finns också.

Två klick för att skrapa, ett klick för att exportera. Motsvarande Python-skript? Cirka 60 rader kod, proxykonfiguration, CAPTCHA-hantering och löpande underhåll.

Metod 2: Skrapa Google Shopping-data med Python + ett SERP API

• Svårighetsgrad: Medel
• Tidsåtgång: ~30 minuter
• Du behöver: Python 3.10+, biblioteken requests och pandas, en SERP API-nyckel (ScraperAPI, SerpApi eller liknande)

Om du behöver programmerbar och repeterbar åtkomst till Google Shopping-data är ett SERP API det mest pålitliga Python-baserade alternativet. Anti-bot-skydd, JavaScript-rendering och proxyrotation sköts i bakgrunden. Du skickar en HTTP-begäran och får tillbaka strukturerad JSON.

Steg 1: Sätt upp din Python-miljö

Installera Python 3.12 (det säkraste produktionsvalet 2025–2026) och de paket som behövs:

1pip install requests pandas

Registrera dig hos en SERP API-leverantör. erbjuder 100 gratis sökningar per månad; ger 5 000 gratis krediter. Hämta din API-nyckel från instrumentpanelen.

Steg 2: Konfigurera din API-begäran

Här är ett minimalt exempel med ScraperAPIs Google Shopping-endpoint:

1import requests
2import pandas as pd
3API_KEY = "YOUR_API_KEY"
4query = "trådlösa brusreducerande hörlurar"
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()

API:t returnerar strukturerad JSON med fält som title, price, link, thumbnail, source (säljare) och rating.

Steg 3: Tolka JSON-svaret och extrahera fält

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)

Steg 4: Exportera till CSV eller JSON

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

Batchvänligt: loopa igenom 50 sökord och bygg ett komplett datamaterial i en enda skriptkörning. Nackdelen är kostnaden — SERP API:er tar betalt per fråga, och vid tusentals frågor per dag blir det snabbt dyrt. Mer om prissättning längre ned.

Metod 3: Skrapa Google Shopping-data med Python + Playwright (webbläsarautomation)

• Svårighetsgrad: Avancerad
• Tidsåtgång: ~1 timme+ (plus löpande underhåll)
• Du behöver: Python 3.10+, Playwright, residential proxies och tålamod

Metoden med “full kontroll”. Du startar en riktig webbläsare, går till Google Shopping och extraherar data från den renderade sidan. Den är mest flexibel, men också mest känslig — Googles anti-bot-system är aggressiva och sidstrukturen ändras flera gånger om året.

Varning: jag har pratat med användare som lagt veckor på att kämpa mot CAPTCHAs och IP-blockeringar med den här metoden. Det fungerar, men räkna med löpande underhåll.

Steg 1: Sätt upp Playwright och proxies

1pip install playwright
2playwright install chromium

Du behöver residential proxies. Datacenter-IP:er blockeras nästan direkt — en forumanvändare uttryckte det ganska rakt: "Alla AWS-IP:er kommer att blockeras eller mötas av CAPTCHA efter 1/2 resultat." Tjänster som Bright Data, Oxylabs eller Decodo erbjuder residential proxy-pooler från ungefär 1–5 USD/GB.

Konfigurera Playwright med en realistisk user-agent och din 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()

Steg 2: Gå till Google Shopping och hantera anti-bot-skydd

Bygg Google Shopping-URL:en och navigera:

1query = "trådlösa brusreducerande hörlurar"
2url = f"https://www.google.com/search?udm=28&q={query}&gl=us&hl=en"
3page.goto(url, wait_until="networkidle")

Hantera EU:s cookie-popup om den dyker upp:

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

Lägg in mänskliga pauser mellan åtgärder — 2–5 sekunders slumpmässig väntetid mellan sidladdningar. Googles detekteringssystem flaggar snabba, jämna begärandemönster.

Steg 3: Scrolla, bläddra och extrahera produktdata

Google Shopping laddar resultat dynamiskt. Scrolla för att trigga lazy loading och extrahera sedan produktkort:

1import time, random
2# Scrolla för att ladda alla resultat
3for _ in range(3):
4    page.evaluate("window.scrollBy(0, 1000)")
5    time.sleep(random.uniform(1.5, 3.0))
6# Extrahera produktkort
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    # ... extrahera andra fält
13    results.append({
14        "title": title.inner_text() if title else None,
15        "price": price.inner_text() if price else None,
16    })

Viktig notering: CSS-selektorerna ovan är ungefärliga och kommer att ändras. Google roterar klassnamn ofta. Tre olika uppsättningar selektorer har dokumenterats bara under 2024–2026. Luta dig hellre mot stabilare attribut som jsname, data-cid, <h3>-taggar och img[alt] än mot klassnamn.

Steg 4: Spara till CSV eller 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)

Räkna med att behöva underhålla skriptet regelbundet. När Google ändrar sidstrukturen — vilket händer flera gånger per år — går selektorerna sönder och du är tillbaka i felsökningen.

Den största huvudvärken: CAPTCHAs och anti-bot-blockering

Forum efter forum, samma historia: "Jag kämpade i några veckor men gav upp mot Googles anti-bot-metoder." CAPTCHAs och IP-blockeringar är den vanligaste anledningen till att folk överger egna Google Shopping-scrapers.

Hur Google stoppar scrapers (och vad du kan göra åt det)

I januari 2025 gjorde Google JavaScript-körning obligatorisk för SERP- och Shopping-resultat, — inklusive pipelines som användes av SemRush och SimilarWeb. Sedan i september 2025 tog Google bort de gamla URL:erna för produktsidor och skickade i stället vidare till en ny “Immersive Product”-vy som laddas via asynkron AJAX. Alla guider skrivna före slutet av 2025 är i praktiken redan föråldrade.

Hur varje metod hanterar dessa utmaningar

SERP API:er sköter allt i bakgrunden — proxies, rendering och CAPTCHA-lösning. Du behöver inte tänka på det.

Thunderbit Cloud Scraping använder distribuerad molninfrastruktur över USA, EU och Asien för att hantera JS-rendering och anti-bot-skydd automatiskt. Browser Scraping-läget använder din egen autentiserade Chrome-session, vilket i praktiken kringgår detektering eftersom det ser ut som vanlig surfning.

DIY Playwright lägger hela ansvaret på dig — proxyhantering, justering av fördröjningar, CAPTCHA-lösning, underhåll av selektorer och ständig koll på att inget går sönder.

Den verkliga kostnaden för att skrapa Google Shopping-data: en ärlig jämförelse

"50 dollar för ungefär 20 000 förfrågningar… lite dyrt för mitt hobbyprojekt." Den typen av kommentar dyker upp hela tiden i forum. Men då glömmer man ofta den största kostnaden av alla.

Kostnadstabell

Den dolda kostnaden som alla ignorerar: din tid

En DIY-lösning för $0 som äter upp 40 timmars felsökning är inte gratis. Till 50 dollar i timmen motsvarar det 2 000 dollar i arbete — för en scraper som kanske går sönder igen nästa månad när Google ändrar sin DOM.

McKinseys Technology Outlook visar att . Under den nivån “äter intern utveckling upp budget utan att ge ROI”. För de flesta e-handels팀 som gör några hundra till några tusen uppslag per vecka är ett no-code-verktyg eller ett SERP API betydligt mer kostnadseffektivt än att bygga själv.

Så sätter du upp automatiserad prisbevakning i Google Shopping

De flesta guider behandlar skrapning som en engångsgrej. Den verkliga nyttan för e-handels팀 är löpande, automatiserad bevakning. Du behöver inte bara dagens priser — du behöver gårdagens, förra veckans och morgondagens.

Så ställer du in schemalagd skrapning med Thunderbit

Thunderbits Scheduled Scraper låter dig beskriva tidsintervallet med vanlig text — “varje dag kl. 09” eller “varje måndag och torsdag vid lunch” — och AI:n gör om det till ett återkommande schema. Ange dina Google Shopping-URL:er, klicka på "Schedule" och du är klar.

Varje körning exporteras automatiskt till Google Sheets, Airtable eller Notion. Slutresultatet: ett kalkylark som fylls på automatiskt varje dag med konkurrentpriser, redo för pivottabeller eller aviseringar.

Inga cron-jobb. Ingen serverhantering. Inga Lambda-problem. (Jag har sett foruminlägg från utvecklare som lade dagar på att försöka få Selenium att fungera i AWS Lambda — Thunderbits schemaläggare hoppar över allt det där.)

För mer om hur man bygger har vi en separat fördjupning.

Schemaläggning med Python (för utvecklare)

Om du använder SERP API-metoden kan du schemalägga körningar med cron-jobb (Linux/Mac), Windows Task Scheduler eller molnschemaläggare som AWS Lambda eller Google Cloud Functions. Python-bibliotek som APScheduler fungerar också.

Avvägningen: du ansvarar nu för att övervaka skriptets hälsa, hantera fel, rotera proxies enligt schema och uppdatera selektorer när Google ändrar sidan. För de flesta team överstiger ingenjörstiden som krävs för att underhålla en schemalagd Python-scraper kostnaden för ett dedikerat verktyg.

Tips och bästa praxis för att skrapa Google Shopping-data

Oavsett metod finns det några saker som sparar dig mycket huvudvärk.

Respektera hastighetsgränser

Bombardera inte Google med hundratals snabba förfrågningar — då blir du blockerad, och din IP kan fortsätta vara flaggad ett tag. DIY-metoder: lägg 10–20 sekunder mellan förfrågningarna med slumpmässig variation. Verktyg och API:er sköter detta åt dig.

Matcha metoden med din volym

En snabb beslutsguide:

• < 10 frågor/vecka → Thunderbits gratisnivå eller SerpApis gratisnivå
• 10–1 000 frågor/vecka → betald plan hos SERP API eller
• 1 000+ frågor/vecka → enterprise-plan hos SERP API eller Thunderbit Open API

Rensa och validera din data

Priser kommer med valutasymboler, regionspecifik formatering (1.299,00 € vs $1,299.00) och ibland skräptecken. Använd Thunderbits Field AI Prompts för att normalisera redan vid extraheringen, eller städa datan i efterhand med pandas:

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

Kontrollera dubbletter mellan organiska och sponsrade listningar — de överlappar ofta. Deduplicera på tuple (title, price, seller).

Känn till det juridiska läget

Att skrapa offentligt tillgänglig produktdata betraktas generellt som lagligt, men det juridiska landskapet förändras snabbt. Den viktigaste utvecklingen på senare tid: enligt DMCA § 1201 för att kringgå Googles anti-skrapningssystem “SearchGuard”. Det här är en ny verkställighetsväg som går förbi de försvar som etablerades i tidigare fall som hiQ v. LinkedIn och Van Buren v. United States.

Praktiska riktlinjer:

• Skrapa bara offentligt tillgänglig data — logga inte in för att komma åt begränsat innehåll
• Extrahera inte personuppgifter (granskarnas namn, kontouppgifter)
• Var medveten om att Googles användarvillkor förbjuder automatiserad åtkomst — att använda ett SERP API eller webbläsartillägg minskar (men eliminerar inte) juridiska gråzoner
• För verksamhet i EU, tänk på GDPR, även om produktlistningar i stort sett är icke-personliga kommersiella data
• Överväg juridisk rådgivning om du bygger en kommersiell produkt på skrapad data

För en djupare genomgång av har vi skrivit mer om ämnet separat.

Vilken metod ska du använda för att skrapa Google Shopping-data?

Efter att ha kört alla tre angreppssätt på samma produktkategorier landade jag här:

Om du är en icke-teknisk användare som behöver data snabbt — använd Thunderbit. Öppna Google Shopping, klicka två gånger och exportera. Du får ett rent kalkylark på under 5 minuter. låter dig testa utan förpliktelser, och funktionen för skrapning av undersidor ger rikare data än de flesta Python-skript producerar.

Om du är utvecklare och behöver repeterbar, programmerbar åtkomst — använd ett SERP API. Tillförlitligheten är värd kostnaden per fråga, och du slipper allt anti-bot-strul. SerpApi har bäst dokumentation; ScraperAPI har den generösaste gratisnivån.

Om du behöver maximal kontroll och bygger ett skräddarsytt flöde — Playwright fungerar, men gå in med öppna ögon. Avsätt gott om tid för proxyhantering, underhåll av selektorer och CAPTCHA-hantering. Under 2025–2026 är den minsta fungerande bypass-stacken curl_cffi med Chrome-imitation + residential proxies + 10–20 sekunders tempo. Ett vanligt requests-skript med roterande user-agents är i praktiken dött.

Den bästa metoden är den som ger dig rätt data utan att äta upp hela veckan. För de flesta är det inte ett Python-skript på 60 rader — det är två klick.

Kolla in om du behöver hög volym, eller se våra guider på för att se flödet i praktiken.

Vanliga frågor

Är det lagligt att skrapa Google Shopping-data?

Att skrapa offentligt tillgänglig produktdata är generellt lagligt enligt prejudikat som hiQ v. LinkedIn och Van Buren v. United States. Däremot förbjuder Googles användarvillkor automatiserad åtkomst, och Googles stämning mot SerpApi i december 2025 introducerade en ny teori enligt DMCA § 1201 om kringgående av skydd. Att använda etablerade verktyg och API:er minskar risken. För kommersiella användningsfall bör du rådgöra med jurist.

Kan jag skrapa Google Shopping utan att bli blockerad?

Ja, men metoden spelar roll. SERP API:er hanterar anti-bot-skydd automatiskt. Thunderbits Cloud Scraping använder distribuerad infrastruktur för att undvika blockeringar, medan dess Browser Scraping-läge använder din egen Chrome-session (som ser ut som vanlig surfning). Egna Python-skript kräver residential proxies, mänskliga fördröjningar och TLS-fingeravtryckshantering — och även då är blockeringar vanliga.

Vad är det enklaste sättet att skrapa Google Shopping-data?

Thunderbits Chrome-tillägg. Gå till Google Shopping, klicka på "AI Suggest Fields", klicka på "Scrape" och exportera till Google Sheets eller Excel. Ingen kod, inga API-nycklar, ingen proxykonfiguration. Hela processen tar ungefär 2 minuter.

Hur ofta kan jag skrapa Google Shopping för prisbevakning?

Med Thunderbits Scheduled Scraper kan du ställa in daglig, veckovis eller anpassad bevakning med beskrivningar i vanlig text. Med SERP API:er beror frekvensen på planens kreditgränser — de flesta leverantörer erbjuder tillräckligt för daglig bevakning av några hundra SKU:er. Egna skript kan köras så ofta din infrastruktur tillåter, men högre frekvens innebär mer anti-bot-bekymmer.

Kan jag exportera Google Shopping-data till Google Sheets eller Excel?

Ja. Thunderbit exporterar direkt till Google Sheets, Excel, Airtable och Notion utan kostnad. Python-skript kan exportera till CSV eller JSON, som du sedan kan importera i valfritt kalkylarksverktyg. För löpande bevakning skapar Thunderbits schemalagda export till Google Sheets en levande, automatiskt uppdaterad datamängd.