Så här scrapar du Google Shopping-data — med eller utan kod

Google Shopping hanterar över . Det är en enorm mängd prisdata, produkttrender och säljinformation — allt redan samlat i din webbläsare, hämtat från tusentals återförsäljare.

Att få ut den datan från Google Shopping och in i ett kalkylark? Där börjar det krångla. Jag har lagt en hel del tid på att testa olika sätt — från no-code-tillägg i webbläsaren till fullständiga Python-skript — och upplevelsen spänner från "wow, det där var enkelt" till "jag har felsökt CAPTCHA i tre dagar och vill ge upp". De flesta guider utgår från att du är Python-utvecklare, men i min erfarenhet är en stor del av dem som behöver Google Shopping-data e-handelsansvariga, prisanalytiker och marknadsförare som bara vill ha siffrorna utan att skriva kod. Därför går den här guiden igenom tre metoder, sorterade från enklast till mest tekniska, så att du kan välja det spår som passar din kunskapsnivå och din tid.

Vad är Google Shopping-data?

Google Shopping är en produktsökmotor. Sök på "trådlösa brusreducerande hörlurar" så hämtar Google listningar från dussintals nätbutiker — produkttitlar, priser, säljare, betyg, bilder, länkar. Ett levande och ständigt uppdaterat katalogregister över vad som säljs på nätet.

Varför scrapar man Google Shopping-data?

En enskild produktsida säger nästan ingenting. Hundratals produkter, strukturerade i ett kalkylark — där börjar mönstren synas.

Här är de vanligaste användningsområdena jag har sett:

använder nu AI-baserade verktyg för prissättning. Företag som investerar i prisintelligens för konkurrentbevakning har rapporterat avkastning på upp till 29 gånger. Amazon uppdaterar priser ungefär var tionde minut. Om du fortfarande kollar konkurrentpriser manuellt är matematikken inte på din sida.

Thunderbit är ett AI Web Scraper-tillägg för Chrome som hjälper affärsanvändare att scrap:a data från webbplatser med hjälp av AI. Det är särskilt användbart för e-handelsansvariga, prisanalytiker och marknadsförare som vill ha strukturerad Google Shopping-data utan att skriva kod.

Vilken data kan du faktiskt hämta från Google Shopping?

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

Fält från sökresultat i Google Shopping

När du söker i Google Shopping innehåller varje produktkort på resultatsidan:

Fält från produktsidor (data på undersidor)

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

För att komma åt de här fälten behöver du besöka varje produkts undersida efter att du har scrapat sökresultaten. Verktyg med stöd för hanterar detta automatiskt — jag går igenom arbetsflödet längre ner.

Tre sätt att scrap:a Google Shopping-data (välj ditt spår)

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

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

• Svårighetsgrad: Nybörjare
• Tidsåtgång: ~2–5 minuter
• Det du behöver: Chrome, (gratisversionen räcker), en Google Shopping-sökning

Snabbaste vägen från "jag behöver Google Shopping-data" till "här är mitt kalkylark". Ingen kod, inga API-nycklar, ingen proxykonfiguration. Jag har visat den här processen för icke-tekniska kollegor dussintals gånger — ingen har fastnat.

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 det du är intresserad av — till exempel "trådlösa brusreducerande hörlurar".

Du bör se ett rutnät med produktlistningar, priser, säljare och betyg.

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

Klicka på Thunderbit-ikonen för att öppna sidofältet 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.

Granska de föreslagna fälten. Du kan byta namn på kolumner, ta bort sådant du inte behöver eller lägga till egna fält. Om du vill vara mer specifik — säg, "extrahera bara det numeriska priset utan valutasymbol" — kan du lägga till 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 och körs på Thunderbits distribuerade infrastruktur) eller Browser Scraping (använder din egen Chrome-session — praktiskt om Google visar regionspecifika resultat eller kräver inloggning).

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

Steg 4: Berika datan med subpage scraping

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

Ingen extra konfiguration behövs — AI:n räknar ut strukturen på varje detaljsida och hämtar relevant data. Jag byggde en komplett matris för konkurrentpriser (produkt + alla säljarpriser + specifikationer) för 40 produkter på mindre än 5 minuter på det här sättet.

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

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

Två klick för att scrap:a, ett klick för att exportera. Motsvarande Python-skript? Ungefär 60 rader kod, proxykonfiguration, CAPTCHA-hantering och löpande underhåll.

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

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

Om du behöver programmatisk, återkommande åtkomst till Google Shopping-data är ett SERP API det mest pålitliga Python-baserade alternativet. Anti-bot-skydd, JavaScript-rendering och proxyrotation hanteras bakom kulisserna. Du skickar en HTTP-förfrågan och får tillbaka strukturerad JSON.

Steg 1: Förbered din Python-miljö

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

1pip install requests pandas

Skapa konto hos en SERP API-leverantör. erbjuder 100 gratis sökningar per månad; ger 5 000 gratis krediter. Hämta din API-nyckel från dashboarden.

Steg 2: Konfigurera din API-förfrågan

Här är ett minimalt exempel med ScraperAPI:s Google Shopping-endpoint:

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()

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

Steg 3: Tolka JSON-svaret och extrahera fälten

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 dataset i ett enda körningstillfälle. Nackdelen är kostnaden — SERP API:er tar betalt per fråga, och vid tusentals frågor per dag sticker kostnaden snabbt iväg. Mer om prissättning längre ner.

Metod 3: Scrapa Google Shopping-data med Python + Playwright (webbläsarautomatisering)

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

Det här är "full kontroll"-metoden. Du startar en riktig webbläsare, navigerar till Google Shopping och extraherar data från den renderade sidan. Mest flexibelt, men också mest känsligt — Googles anti-bot-system är aggressiva och sidstrukturen ändras flera gånger per år.

Varning: jag har pratat med användare som lagt veckor på att slåss mot CAPTCHA och IP-blockeringar med det här upplägget. Det fungerar, men räkna med löpande underhåll.

Steg 1: Installera Playwright och proxies

1pip install playwright
2playwright install chromium

Du behöver residential proxies. Datacenter-IP:er blockeras nästan direkt — en forumanvändare uttryckte det rakt på sak: "Alla AWS-IP:er blockeras eller får CAPTCHA efter 1/2 resultat." Tjänster som Bright Data, Oxylabs eller Decodo erbjuder residential proxy-pooler från ungefär 1–5 dollar/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: Navigera till Google Shopping och hantera anti-bot-skydd

Bygg Google Shopping-URL:en och gå dit:

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")

Hantera EU:s cookie-popup om den visas:

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

Lägg in mänskliga pauser mellan handlingarna — 2–5 sekunder med slumpmässig väntetid mellan sidladdningar. Googles system reagerar på snabba och jämna mönster.

Steg 3: Scrolla, paginera och extrahera produktdata

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

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 övriga fält
13    results.append({
14        "title": title.inner_text() if title else None,
15        "price": price.inner_text() if price else None,
16    })

Viktig notis: CSS-selektorerna ovan är ungefärliga och kommer att ändras. Google roterar klassnamn ofta. Tre olika uppsättningar selektorer har dokumenterats bara mellan 2024 och 2026. Förankra dig hellre i stabilare attribut som jsname, data-cid, <h3>-taggar och img[alt] än i 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 om året — slutar dina selektorer fungera och du är tillbaka i felsökningen.

Den största huvudvärken: CAPTCHA och anti-bot-blockeringar

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

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

I januari 2025 gjorde Google JavaScript-körning obligatorisk för SERP- och Shopping-resultat, — inklusive pipeline-lösningar som användes av SemRush och SimilarWeb. Sedan, i september 2025, fasade Google ut de äldre URL:erna för produktsidor och skickade vidare till en ny "Immersive Product"-vy som laddas via asynkron AJAX. Alla guider som skrevs före slutet av 2025 är i praktiken till stor del föråldrade.

Hur varje metod hanterar de här utmaningarna

SERP API:er hanterar allt bakom kulisserna — proxies, rendering och CAPTCHA-lösning. Du behöver inte tänka på det.

Thunderbit Cloud Scraping använder distribuerad molninfrastruktur i USA, EU och Asien för att hantera JS-rendering och anti-bot-skydd automatiskt. Browser Scraping-läget använder din egen autentiserade Chrome-session, vilket kringgår upptäckt 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 övervakning av om något går sönder.

Vad kostar det egentligen att scrapa Google Shopping-data? En ärlig jämförelse

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

Kostnadsjämförelse

Den dolda kostnaden alla ignorerar: din tid

En DIY-lösning för $0 som slukar 40 timmar felsökning är inte gratis. Med 50 dollar i timmen blir det 2 000 dollar i arbetskostnad — för en scraper som kanske går sönder igen nästa månad när Google ändrar sin DOM.

McKinseys Technology Outlook visar att . Under den nivån "äter egenutveckling upp budget utan att leverera ROI." För de flesta e-handelsteam som gör några hundra till några tusen uppslag per vecka är ett no-code-verktyg eller ett SERP API klart mer kostnadseffektivt än att bygga själv.

Så sätter du upp automatiserad prisövervakning i Google Shopping

De flesta guider behandlar scraping som en engångsuppgift. Det verkliga användningsområdet för e-handelsteam är löpande, automatiserad övervakning. Du behöver inte bara dagens priser — du behöver gårdagens, förra veckans och morgondagens.

Schemalagd scraping med Thunderbit

Thunderbits Scheduled Scraper låter dig beskriva tidsintervallet i vanlig text — "varje dag klockan 9" eller "varje måndag och torsdag klockan 12" — och AI:n omvandlar det till ett återkommande schema. Ange dina Google Shopping-URL:er, klicka på "Schedule", och klart.

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 forumtrådar från utvecklare som lagt dagar på att få Selenium att fungera i AWS Lambda — Thunderbits schemaläggare hoppar över allt det där.)

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

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 själv för att övervaka skriptets hälsa, hantera fel, rotera proxies enligt schema och uppdatera selektorer när Google ändrar sidan. För de flesta team är den tid som går åt till att underhålla en schemalagd Python-scraper större än kostnaden för ett dedikerat verktyg.

Tips och bästa praxis för att scrapa Google Shopping-data

Oavsett metod finns det några saker som sparar dig huvudvärk.

Respektera hastighetsgränser

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

Anpassa metoden efter volymen

Snabb beslutsguide:

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

Rensa och validera din data

Priser kommer med valutasymboler, lokala format (1.299,00 € vs $1,299.00) och ibland skräptecken. Använd Thunderbits Field AI Prompts för att normalisera direkt vid extraktionen, eller städa 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. Avdubbla med tuplen (title, price, seller).

Känn till det juridiska läget

Att scrap:a publikt tillgänglig produktdata är generellt sett lagligt, men det juridiska landskapet förändras snabbt. Den viktigaste nya utvecklingen: enligt DMCA § 1201 för att ha kringgått Googles anti-scraping-system "SearchGuard". Det är en ny typ av rättslig ansats som går runt försvaren i tidigare fall som hiQ mot LinkedIn och Van Buren mot United States.

Praktiska riktlinjer:

• Scrapa endast offentligt tillgänglig data — logga inte in för att komma åt begränsat innehåll
• Extrahera inte personuppgifter (granskares namn, kontouppgifter)
• Var medveten om att Googles användarvillkor förbjuder automatiserad åtkomst — att använda ett SERP API eller webbläsartillägg minskar (men eliminerar inte) de juridiska gråzonerna
• För verksamhet inom EU, tänk på GDPR, även om produktlistningar till allra största delen är icke-personlig kommersiell data
• Överväg att rådgöra med jurist om du bygger en kommersiell produkt på scrapad data

För en djupare genomgång av har vi behandlat ämnet separat.

Vilken metod bör du använda för att scrapa Google Shopping-data?

Efter att ha kört alla tre metoderna 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, exportera. Du har ett rent kalkylark på under 5 minuter. låter dig testa utan bindning, och funktionen för subpage scraping ger dig rikare data än vad de flesta Python-skript producerar.

Om du är utvecklare och behöver återkommande, programmatisk åtkomst — använd ett SERP API. Tillförlitligheten är värd kostnaden per fråga, och du slipper hela anti-bot-bördan. SerpApi har bäst dokumentation; ScraperAPI har den mest generösa gratisnivån.

Om du behöver maximal kontroll och bygger ett eget flöde — Playwright fungerar, men gå in med öppna ögon. Budgetera gott om tid för proxyhantering, underhåll av selektorer och CAPTCHA-hantering. Under 2025–2026 är den minsta gångbara kringgåelsestacken 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 korrekt 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 volym, eller se våra guider på för att se arbetsflödet i praktiken.

Vanliga frågor

Är det lagligt att scrap:a Google Shopping-data?

Att scrap:a offentligt tillgänglig produktdata är i allmänhet lagligt enligt prejudikat som hiQ mot LinkedIn och Van Buren mot 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 välrenommerade verktyg och API:er minskar risken. För kommersiella användningsfall bör du rådgöra med jurist.

Kan jag scrap:a Google Shopping utan att bli blockerad?

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

Vad är det enklaste sättet att hämta 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 scrapa Google Shopping för prisövervakning?

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

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 övervakning skapar Thunderbits schemalagda export till Google Sheets en levande, automatiskt uppdaterad datamängd.

• Läs mer