2025 年最佳網頁爬蟲工具與軟體

Google 早在 2018 年就關閉了 Flights API，但機票價格依然天天在變——單一國內航線在 48 小時內甚至可能波動高達 17 次。若你想用程式化方式取得這些資料，抓取網頁幾乎是目前唯一可行的辦法。

我花了不少時間測試各種從 Google 取得航班資料的方法，而整個環境也在 2025 年 1 月 Google 推出 SearchGuard 後出現巨大變化。在這篇指南中，我會帶你用 Playwright 打造一個可運作的 Google Flights Python 爬蟲，示範如何應對大多數人都會卡住的反機器人機制，接著再把它延伸成可自動執行的票價追蹤器與提醒系統。如果你想完全跳過寫程式，我也會介紹一個用 Thunderbit 的免程式替代方案，大約兩分鐘就能得到相同成果。

為什麼要用 Python 擷取 Google Flights？

Google Flights 幾乎主導了機票搜尋市場。它在美國行動裝置上的曝光率已飆升至 47.6%，超越所有主要 OTA。背後的旅遊比價搜尋市場在 2024 年估值達 83.3 億美元，年複合成長率為 30.2%。但自從 QPX Express API 在 2018 年 4 月 10 日永久關閉後，官方就不再提供任何程式化存取這些資料的方法。

同時，機票價格在同一行程上可能波動高達 50%，最低與最高價平均差距約 20 美元。像 Delta 這類航空公司甚至使用 77 個票價區間來進行動態定價。到了 2026 年初，美國平均來回機票約為 408 美元，而機票價格年增幅達 14.9%。

平台強勢、沒有 API、價格又極度不穩。這就是為什麼用 Python 抓 Google Flights，成了 GitHub 和各大旅遊論壇上最熱門的專案之一。

以下這些族群最能受益：

使用者類型	使用情境	主要效益
一般旅客	長期追蹤特定航線票價	平均每張機票可省下 50 美元
旅行社	競爭票價情報分析	即時監控票價一致性
企業差旅團隊	跨航線成本最佳化	企業差旅可節省 10–30%
開發者	建立票價比較應用程式	程式化取得票價資料
研究人員	分析航空票價波動	學術與市場研究用途

論壇上的使用者也很直接地說明他們為什麼改用抓取：像是「Google Flights API 已停用，所以我應該改用網頁爬取」這類說法很常見。而且投資報酬率確實存在——Hopper 表示他們每天分析超過 50 億筆票價報價，預測準確率高達 95%；Expedia 2026 年的資料則顯示，提前 8–15 天訂票可讓國內航線平均省下約 25 美元。

你可以從 Google Flights 抓到哪些資料？

Google Flights 的結果頁面其實包含相當豐富的欄位。通常可取得的資料包括：

航空公司名稱（含標誌）
起飛時間與機場代碼
抵達時間與機場代碼
總飛行時間
轉機次數與轉機細節（機場、時間、是否過夜）
票價（依幣別顯示）
二氧化碳排放量（kg CO2e，並與一般航班做百分比比較）
艙等、航班號、機型
座位空間資訊
附加服務（Wi‑Fi、插座、影音串流）
價格等級指標（低／一般／高）
延誤警示（例如「經常延誤超過 30 分鐘」）

實際可取得的欄位會因航線、日期與票種（單程或來回）而有所不同。以下是一筆抓取到的航班資料，轉成 JSON 後大致長這樣：

{
  "search_date": "2026-04-16",
  "route": "SFO-JFK",
  "departure_date": "2026-05-15",
  "flights": [
    {
      "airline": "United Airlines",
      "flight_number": "UA123",
      "departure_time": "08:00",
      "departure_airport": "SFO",
      "arrival_time": "16:35",
      "arrival_airport": "JFK",
      "duration_minutes": 335,
      "stops": 0,
      "price_usd": 287,
      "price_level": "low",
      "co2_kg": 156,
      "co2_vs_typical": "-12%",
      "travel_class": "Economy"
    }
  ]
}

建立 Python 環境

在開始寫爬蟲之前，先把基本環境準備好。

先決條件：

難度： 中等
所需時間： 完整教學約 1–2 小時
你需要準備： Python 3.7+、基礎 Python 知識、Chromium 系瀏覽器

安裝必要套件

我們會使用 Playwright 進行瀏覽器自動化（Google Flights 完全由 JavaScript 渲染——只送 HTTP 請求是拿不到有用內容的），另外再加上幾個輔助套件：

pip install playwright playwright-stealth pandas
playwright install chromium

Playwright — 無頭瀏覽器自動化工具，可處理 JavaScript 渲染，內建等待機制
playwright-stealth — 修補常見的機器人偵測訊號
pandas — 之後用來做資料分析與 CSV 匯出

為什麼選 Playwright，而不是 Selenium 或 requests

單靠 requests + BeautifulSoup 無法處理 Google Flights，因為頁面內容完全是 JavaScript 動態渲染的。你需要一個真正的瀏覽器。

功能	Playwright	Selenium	requests + BS4
JS 渲染	完整支援	完整支援	不支援
速度	整體快 42%	基準	不適用
非同步支援	原生支援	只支援順序執行	不適用
記憶體使用	少 30%	較高	最低
規避機器人偵測	表現佳（搭配 stealth）	較容易被偵測	不適用

Playwright 更快、更現代，也更適合非同步流程。就 Google Flights 這個案例來說，它是最明確的首選。

逐步教學：如何用 Python 擷取 Google Flights

這是整篇教學的核心，我們會一步一步完成爬蟲。

步驟 1：先定義資料結構

先用 Python dataclass 把搜尋參數和航班資料整理好。這樣程式碼會更清楚，之後擴充也更容易。

from dataclasses import dataclass, field
from typing import Optional, List

@dataclass
class SearchParams:
    origin: str          # 例如 "SFO"
    destination: str     # 例如 "JFK"
    departure_date: str  # 例如 "2026-05-15"
    return_date: Optional[str] = None
    trip_type: str = "one-way"  # "one-way" 或 "round-trip"
    travel_class: str = "economy"

@dataclass
class FlightData:
    airline: str = ""
    departure_time: str = ""
    arrival_time: str = ""
    duration: str = ""
    stops: str = ""
    price: str = ""
    co2_emissions: str = ""

每個欄位都會對應到我們稍後要從頁面擷取的內容。先把資料結構定好，後面就不需要一直丟雜亂的字典。

步驟 2：理解 Google Flights 的網址結構

Google Flights 會把搜尋參數編碼到 tfs URL 參數中，使用 Base64 編碼的 Protobuf。你可以嘗試逆向解析這段編碼，但更簡單的方法是直接建立一個自然語言查詢網址。

最簡單的格式如下：

https://www.google.com/travel/flights?q=flights+from+SFO+to+JFK+on+2026-05-15&curr=USD

如果你想更有彈性，也可以用程式動態產生網址：

def build_flights_url(origin: str, destination: str, date: str) -> str:
    base = "https://www.google.com/travel/flights"
    query = f"flights from {origin} to {destination} on {date}"
    return f"{base}?q={query.replace(' ', '+')}&curr=USD"

另一種作法是逆向工程 Protobuf 編碼，控制會更精細，但一旦 Google 改了內部格式就可能失效。GitHub 上像 fast-flights 這類函式庫，就是透過 Protobuf 解碼來完全避開 HTML 解析，不過這屬於更進階的做法。

步驟 3：啟動瀏覽器並前往 Google Flights

以下是 Playwright 的設定。我們一開始就搭配 playwright-stealth，盡量降低被偵測的風險。

import asyncio
from playwright.async_api import async_playwright
from playwright_stealth import Stealth

async def scrape_flights(params: SearchParams) -> List[FlightData]:
    async with Stealth().use_async(async_playwright()) as pw:
        browser = await pw.chromium.launch(
            headless=True,
            args=[
                "--disable-blink-features=AutomationControlled",
                "--disable-dev-shm-usage",
                "--no-first-run",
            ]
        )
        context = await browser.new_context(
            viewport={"width": 1920, "height": 1080},
            user_agent=(
                "Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
                "AppleWebKit/537.36 (KHTML, like Gecko) "
                "Chrome/125.0.0.0 Safari/537.36"
            ),
            locale="en-US",
            timezone_id="America/New_York",
        )
        # 預先設定 cookie，同意提示可直接跳過
        await context.add_cookies([{
            "name": "SOCS",
            "value": "CAESHwgBEhJnd3NfMjAyNTAyMjctMF9SQzIaBXpoLUNOIAEaBgiAy6O-Bg",
            "domain": ".google.com",
            "path": "/"
        }])
        page = await context.new_page()

正式環境建議使用無頭模式（除錯時可改成 headless=False），同時設定合理的視窗大小與使用者代理，並先預設 SOCS cookie 以跳過同意彈窗——這部分在後面的反機器人章節會再細講。

步驟 4：前往搜尋結果頁

載入剛剛組好的網址，並等待航班結果出現：

        url = build_flights_url(
            params.origin, params.destination, params.departure_date
        )
        await page.goto(url, wait_until="networkidle")

        # 等待航班結果載入
        await page.wait_for_selector(
            "li.pIav2d", timeout=15000
        )

如果這裡逾時，通常代表同意彈窗擋住了頁面（可回頭看步驟 3 的 cookie 解法），或者 Google 直接送出 CAPTCHA。我們會在反機器人章節同時處理這兩種情況。

步驟 5：載入所有航班結果

Google Flights 會把部分結果藏在「顯示更多航班」按鈕後面。你需要一直點它，直到所有結果都展開：

        # 不斷點擊「顯示更多航班」，直到沒有更多結果
        while True:
            try:
                more_button = page.locator(
                    'button:has-text("Show more flights")'
                )
                if await more_button.is_visible(timeout=3000):
                    await more_button.click()
                    await page.wait_for_timeout(2000)
                else:
                    break
            except Exception:
                break

這個迴圈會點擊按鈕、等待 2 秒讓新內容渲染，再在按鈕不見時停止。根據我的測試，多數航線會有 1–3 頁結果。

步驟 6：用 CSS selector 擷取航班資料

接著就來解析頁面上的實際航班資料。以下是目前有效的 selector（截至 2026 年 4 月驗證；為什麼要特別標示日期，後面維護章節會說明）：

        flights = []
        cards = await page.query_selector_all("li.pIav2d")

        for card in cards:
            flight = FlightData()

            # 航空公司名稱
            airline_el = await card.query_selector(
                "div.sSHqwe span:not([class])"
            )
            if airline_el:
                flight.airline = (await airline_el.inner_text()).strip()

            # 起飛時間
            dep_el = await card.query_selector(
                'span[aria-label*="Departure time"]'
            )
            if dep_el:
                flight.departure_time = (await dep_el.inner_text()).strip()

            # 抵達時間
            arr_el = await card.query_selector(
                'span[aria-label*="Arrival time"]'
            )
            if arr_el:
                flight.arrival_time = (await arr_el.inner_text()).strip()

            # 飛行時間
            dur_el = await card.query_selector("div.gvkrdb")
            if dur_el:
                flight.duration = (await dur_el.inner_text()).strip()

            # 轉機次數
            stops_el = await card.query_selector("div.EfT7Ae span")
            if stops_el:
                flight.stops = (await stops_el.inner_text()).strip()

            # 票價
            price_el = await card.query_selector(
                "div.FpEdX span"
            )
            if price_el:
                flight.price = (await price_el.inner_text()).strip()

            # 二氧化碳排放量
            co2_el = await card.query_selector("div.O7CXue")
            if co2_el:
                flight.co2_emissions = (
                    await co2_el.get_attribute("aria-label") or ""
                ).strip()

            flights.append(flight)

        await browser.close()
        return flights

要注意的是，像 pIav2d、sSHqwe、FpEdX 這類 class 名稱是 Google Closure Compiler 產生的，任何版本更新都可能改掉。相較之下，aria-label selector 會穩定得多。後面我會補充完整的維護策略。

步驟 7：把結果存成 JSON 或 CSV

最後，加上時間戳記把抓到的資料存下來（這對後續追蹤票價非常重要）：

import json
from datetime import datetime
from dataclasses import asdict

async def main():
    params = SearchParams(
        origin="SFO",
        destination="JFK",
        departure_date="2026-05-15"
    )
    flights = await scrape_flights(params)

    output = {
        "search_date": datetime.now().isoformat(),
        "params": asdict(params),
        "flights": [asdict(f) for f in flights],
    }

    with open("flights.json", "w") as f:
        json.dump(output, f, indent=2)

    # 也存成 CSV
    import pandas as pd
    df = pd.DataFrame([asdict(f) for f in flights])
    df["search_date"] = datetime.now().isoformat()
    df["route"] = f"{params.origin}-{params.destination}"
    df.to_csv("flights.csv", index=False)

    print(f"Scraped {len(flights)} flights")

asyncio.run(main())

執行後，你應該會看到 flights.json 與 flights.csv 兩個檔案。根據我的測試，一次 SFO-JFK 搜尋通常會回傳 30–80 個航班選項，整個流程大約需要 15–20 秒。

Google Flights 反機器人生存指南

大多數教學都會停在這裡，但大多數爬蟲也會死在這裡。Google 在 2025 年 1 月部署了 SearchGuard，幾乎一夜之間讓大部分 SERP 爬蟲失效。Google 自己也把它描述為「投入了數萬小時人力與數百萬美元資金」的成果。Google Flights 的抓取難度被評為 4/5。

幾乎沒有競品文章會深入講這一塊，但這正是大家的爬蟲失效的頭號原因。下面就來看你會遇到什麼，以及該怎麼處理。

在請求之間加入隨機延遲

對抗速率限制最簡單的方法。只要兩行程式碼，中等效果：

import time
import random

time.sleep(random.uniform(3, 7))

把它加在頁面跳轉之間。固定間隔（例如每次都剛好 5 秒）很容易被標記，務必加入隨機性。

使用者代理輪替

每次請求都送出同一組 user-agent 很容易被看出來。建議從清單中隨機挑選：

import random

USER_AGENTS = [
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/125.0.0.0 Safari/537.36",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 14_5) AppleWebKit/605.1.15 Safari/605.1.15",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 Chrome/124.0.0.0 Safari/537.36",
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:126.0) Gecko/20100101 Firefox/126.0",
]

user_agent = random.choice(USER_AGENTS)

繞過無頭瀏覽器偵測

Google 會檢查 navigator.webdriver 旗標和其他自動化訊號。playwright-stealth 可以處理大部分問題，但你也應該加上步驟 3 裡提到的啟動參數。重點旗標如下：

args=[
    "--disable-blink-features=AutomationControlled",
    "--disable-dev-shm-usage",
    "--no-first-run",
]

這樣就能避開基本偵測。SearchGuard 的手法更深入，還會監測滑鼠速度、鍵盤輸入間隔與捲動模式；但對中等流量的抓取來說，stealth 模式加上真實的延遲通常已經足夠。

代理輪替：資料中心 vs. 家用代理

如果你的查詢量不只幾次，就需要代理。兩者差異很大：

功能	資料中心代理	家用代理
速度	100–1,000 Mbps	10–100 Mbps
Google 成功率	20–40%	85–95%
成本	每 IP 每月 0.10–0.50 美元	每 GB 5–15 美元
被偵測風險	高	非常低

在抓取受保護網站時，家用代理的單次成功請求成本大約便宜 180 倍。2026 年的供應商價格：Smartproxy 從每 GB 7 美元起，Bright Data 為每 GB 8.40 美元，Oxylabs 為每 GB 8 美元。

在 Playwright 中加入代理的方式如下：

browser = await pw.chromium.launch(
    proxy={"server": "http://proxy-host:port",
           "username": "user", "password": "pass"}
)

處理 cookie 同意彈窗

不少使用者都提到「我同意條款」彈窗會擋路：像是「一開始 Google 會先跳出『我同意條款與條件』的視窗」。最乾淨的做法就是預先設定 SOCS cookie（步驟 3 已示範）。如果這招不行，就直接點掉：

try:
    accept_btn = page.locator('button:has-text("Accept all")')
    if await accept_btn.is_visible(timeout=3000):
        await accept_btn.click()
        await page.wait_for_timeout(1000)
except Exception:
    pass  # 沒有彈窗

注意：按鈕文字會因語言而不同——德文是「Alle akzeptieren」，法文是「Tout accepter」。

反機器人快速參考

技術	難度	有效性	需要程式碼嗎？
隨機延遲（2–7 秒）	低	中	2 行
使用者代理輪替	低	中	5 行
繞過無頭偵測	中	高	Playwright 啟動參數
playwright-stealth 外掛	中	基礎網站可達 60–80%	pip install
代理輪替（資料中心）	中	中	設定即可
代理輪替（家用）	中	成功率 85–95%	設定即可
預設 cookie 同意（SOCS）	低	必要	1 行

建議的安全頻率是：搭配 IP 輪替時，請求間隔維持 10–20 秒。Google 的門檻大約是每個 IP 每分鐘 100 次請求，若單一 IP 持續每天超過 1,000 次請求，可能會觸發暫時封鎖。

為什麼你的 Google Flights selector 一直壞掉，以及怎麼修

這幾乎是最常見的痛點。論壇上充滿了類似「我拿回來的全是 14 個空清單」這種抱怨。每篇教學都會給你 selector，但很少有人解釋為什麼它們會壞。

Google Flights 的 selector 為什麼會變

主要有三個原因：

Closure Compiler 混淆。 Google 使用 Closure Stylesheets 和 goog.setCssNameMapping() 來產生像 BVAVmf、YMlIz 這樣的 class 名稱。這些名稱每次建置都可能變，甚至每週都換。
A/B 測試。 不同使用者會同時看到不同的 HTML 結構。你的爬蟲在自己電腦上能跑，不代表別的地區也能跑。
語系差異。 歐盟使用者看到的術語、版面，甚至資料欄位都可能與美國使用者不同。

寫出更穩健的 selector

優先選擇和「意義」綁定，而不是和外觀綁定的 selector：

# 很脆弱——每次建置都可能壞掉
price_el = await card.query_selector("div.BVAVmf > div.YMlIz")

# 比較穩健——綁定無障礙標籤
 dep_el = await card.query_selector('span[aria-label*="Departure time"]')

# 也很穩健——用文字比對
more_btn = page.locator('button:has-text("Show more flights")')

selector 穩定性排序（由穩到不穩）：

aria-label 屬性——和無障礙設計綁定，較少變動
data-* 屬性——功能性用途明確標記
role 屬性——ARIA role 本身有語意
文字型 selector——比對畫面上的文字
子字串 class 比對——例如 [class*="price"]
完整混淆 class 名稱——能避就避

加入驗證函式

不要讓 selector 壞掉卻悄悄產生空資料。應該及早發現：

import logging

logger = logging.getLogger(__name__)

def validate_flight(data: FlightData) -> bool:
    required = ["airline", "price", "departure_time",
                "arrival_time", "duration"]
    valid = True
    for field_name in required:
        if not getattr(data, field_name, ""):
            logger.warning(
                f"缺少 '{field_name}' —— selector 可能需要更新"
            )
            valid = False
    return valid

每一筆抓到的航班都跑一次這個檢查。如果開始出現警告，就表示該打開頁面檢查並更新 selector 了。

selector 維護策略

每月檢查一次 selector，或者在輸出品質下降時立即檢查
把 selector 集中放在獨立設定檔，方便快速更新
本文中的 selector 最後驗證時間：2026 年 4 月
也可以考慮 fast-flights library 作為替代方案——它使用 Protobuf 解碼而不是 CSS selector，能完全避開這個問題（但當 Google 改變內部資料格式時，它也有自己的脆弱性）

從一次性抓取，升級成自動化的 Google Flights 票價追蹤器

大多數教學都停在「存成 JSON」這一步。但這篇文章的標題是「票價提醒」，所以我們現在把它做完。

排程讓爬蟲自動執行

方案 1：Python schedule 套件（最簡單、跨平台）：

import schedule
import time

def run_scraper():
    asyncio.run(main())

schedule.every().day.at("06:00").do(run_scraper)
schedule.every().day.at("18:00").do(run_scraper)

while True:
    schedule.run_pending()
    time.sleep(60)

方案 2：cron job（Linux/Mac）：

# 每天早上 6 點與晚上 6 點執行
0 6,18 * * * cd /path/to/scraper && python scraper.py

方案 3：Windows Task Scheduler — 建立一個基本工作，依你想要的排程執行 python scraper.py。

這些方案的代價是：你需要一台永遠開著的機器。如果你放在會睡眠的筆電上，就會漏抓。

保存歷史票價資料

把原本覆蓋 JSON 檔的方式，改成持續追加到 SQLite 資料庫：

import sqlite3
from datetime import datetime

def init_db():
    conn = sqlite3.connect("flights.db")
    conn.execute("""
        CREATE TABLE IF NOT EXISTS flights (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            scrape_date TEXT NOT NULL,
            route TEXT NOT NULL,
            airline TEXT,
            departure_time TEXT,
            arrival_time TEXT,
            duration TEXT,
            stops TEXT,
            price_usd REAL,
            co2_emissions TEXT
        )
    """)
    conn.execute(
        "CREATE INDEX IF NOT EXISTS idx_route_date "
        "ON flights(route, scrape_date)"
    )
    conn.commit()
    return conn

def save_flight(conn, route: str, flight: FlightData):
    price_num = float(
        flight.price.replace("$", "").replace(",", "")
    ) if flight.price else None
    conn.execute(
        "INSERT INTO flights "
        "(scrape_date, route, airline, departure_time, "
        "arrival_time, duration, stops, price_usd, co2_emissions) "
        "VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)",
        (datetime.now().isoformat(), route, flight.airline,
         flight.departure_time, flight.arrival_time,
         flight.duration, flight.stops, price_num,
         flight.co2_emissions)
    )
    conn.commit()

持續抓一週、每天兩次後，你就有足夠資料開始觀察趨勢了。

分析票價趨勢並設定提醒

從歷史資料中找出最便宜的選項：

import pandas as pd
import sqlite3

conn = sqlite3.connect("flights.db")
df = pd.read_sql_query(
    "SELECT * FROM flights WHERE route = 'SFO-JFK'", conn
)
summary = df.groupby("scrape_date")["price_usd"].agg(
    ["min", "max", "mean"]
)
cheapest = df.loc[df["price_usd"].idxmin()]
print(
    f"最便宜票價：${cheapest['price_usd']:.0f}，"
    f"日期：{cheapest['scrape_date']}（{cheapest['airline']}）"
)

當價格低於你的門檻時，就寄出 email 提醒：

import smtplib
from email.mime.text import MIMEText

def send_price_alert(route, price, threshold, recipient):
    msg = MIMEText(
        f"票價下跌通知！{route}：${price:.0f} "
        f"（已低於你設定的 ${threshold:.0f} 門檻）"
    )
    msg["Subject"] = f"航班優惠：{route} 價格 ${price:.0f}"
    msg["From"] = "alerts@example.com"
    msg["To"] = recipient

    with smtplib.SMTP_SSL("smtp.gmail.com", 465) as server:
        server.login("alerts@example.com", "your_app_password")
        server.send_message(msg)

# 每次抓取後檢查是否有優惠
min_price = df["price_usd"].min()
threshold = 250
if min_price < threshold:
    send_price_alert("SFO-JFK", min_price, threshold,
                     "you@email.com")

建議的抓取頻率：個人票價追蹤每天兩次就夠了（隨機時間可降低被偵測風險）。若是商業監控，可提升到每 4–6 小時一次。只有在短期特價促銷期間，才建議暫時提高到每小時一次。

更簡單的做法：Thunderbit 的排程爬蟲

如果你覺得 cron、長期運作的伺服器、以及代理設定太像一堆要維護的基礎設施，那麼 Thunderbit 的排程爬蟲可以不用這些額外負擔，完成同樣的需求。你只要用自然語言描述抓取頻率，貼上 Google Flights 網址，爬蟲就會在 Thunderbit 的雲端基礎架構上自動執行——內建反機器人處理，結果還能直接匯出到 Google Sheets、Excel 或 Airtable。它不完全等同於完整的 Python 方案（彈性較少），但如果你的目標只是做一份「票價追蹤表」，那它就是最快的路徑。你可以先試試看免費方案。

當 Python 太重：不用寫程式也能抓 Google Flights

把前面那些都做完後，我必須老實說：這真的有不少零件。不是每個人都需要這麼高的控制度。selector 會壞、代理要輪替、cron 要監控。如果你的目標只是「定期把票價放進試算表」，其實有更快的選項。

比較：自己寫 Python、API 服務、Thunderbit

方案	設定時間	需要寫程式嗎	反機器人處理	排程	成本
自己動手寫 Playwright（本教學）	1–2 小時	需要 Python（中等程度）	需手動設定	手動（cron）	免費 + 代理成本
SerpApi Google Flights endpoint	15 分鐘	只需 API 呼叫	已處理	透過 API	每月約 50 美元以上
Thunderbit Chrome 擴充功能	2 分鐘	不需要	雲端爬取	內建排程	有免費方案

關於 SerpApi，值得注意的是：Google 在 2025 年 12 月對 SerpApi 提起 DMCA 訴訟，理由是他們的請求量在兩年間成長了 25,000%。如果你正在評估 API 供應商，這樣的法律不確定性值得納入考量。

Thunderbit 如何抓取 Google Flights

在 Chrome 裡打開你的 Google Flights 搜尋結果，點擊 Thunderbit 的「AI 建議欄位」按鈕——AI 會讀取頁面並建議像航空公司、票價、起飛時間、轉機次數這些欄位；接著檢查建議欄位，按下「抓取」即可。結果會以表格顯示，你可以匯出到 Excel、Google Sheets、Airtable 或 Notion——而且免費方案就能用。

若是專注在票價追蹤這個用途，Thunderbit 的排程爬蟲與雲端爬取（可同時處理 50 個頁面）可以直接取代整套 cron + 代理 + 伺服器基礎架構。

Python 的優勢是完全可控、客製化無上限；Thunderbit 的優勢是速度快、幾乎不用維護。請依照你的實際需求選擇。如果你想進一步了解免程式抓取方式，可以看看我們整理的最佳免程式網頁爬蟲。

抓取 Google Flights 合法嗎？你需要知道的事

論壇使用者經常會問：「直接抓 Google Flights 會違反 Google 的服務條款嗎？」 這確實是合理的疑慮，尤其在 API 已停用、又沒有官方替代方案的情況下。

違反服務條款 vs. 法律責任

Google 服務條款（2024 年 5 月 22 日更新）明定，使用者不得「透過任何自動化方式（例如 robots、spiders 或 scrapers）存取或使用服務或內容」。違反 ToS 屬於違約（民事範疇），不等於犯罪。

最重要的法律先例是 hiQ v. LinkedIn（第九巡迴上訴法院，2022 年），該案確認抓取公開可得資料不違反《電腦詐欺與濫用法》（CFAA）。不過，該案最後是以和解結束；而 Google 在 2025 年 12 月對 SerpApi 的訴訟，則改用不同的法律理論——DMCA 第 1201 條（繞過技術保護措施），潛在風險可能更高。

負責任抓取的最佳做法

限制請求速率——搭配 IP 輪替，每次延遲 10–20 秒
不要抓取個人資料——機票價格屬於公開顯示的彙總資料
不要以程式方式繞過 CAPTCHA（這正是 DMCA 風險區）
將資料用於個人研究，不要在沒有授權的情況下做成競品商業產品
若有官方 API，優先考慮官方方案

替代資料來源

如果你覺得抓取對你的情境太冒險，也有合法的 API 選項：

供應商	成本	免費方案	備註
SerpApi	每月 75–3,750+ 美元	每月 250 次搜尋	直接提供 Google Flights JSON（目前有法律爭議）
Kiwi Tequila	免費（聯盟模式）	無限	適合新創與測試
Amadeus	按量計費	每月 2,000 次請求	400+ 航空公司，含訂票能力
Skyscanner	客製化	需審核	52 個市場、30 種語言

如果你想看完整脈絡，我們也寫過一篇更深入的網頁爬取法律影響分析。

結論與重點整理

內容很多，我幫你整理成最重要的幾點：

Python + Playwright 是抓取 Google Flights 最有彈性的方案，但需要持續維護
反機器人措施（延遲、user-agent 輪替、家用代理）不是可選項，而是可靠運作的必要條件，尤其在 SearchGuard 上線後更是如此
selector 很常壞——盡量使用 aria-label 和文字型 selector，記得驗證輸出並安排維護時間
用 schedule 或 cron 自動化，就能把一次性抓取變成真正的票價追蹤器，累積歷史資料並寄出 email 提醒
Thunderbit 提供免程式替代方案，內建排程、雲端爬取與反機器人處理——如果你的目標是做一份票價追蹤表，而不是寫程式專案，它會非常適合
注意法律界線——控制頻率、只抓公開資料，商業用途則要考慮 API 替代方案

你可以直接使用這篇教學的程式碼，或安裝 Thunderbit Chrome 擴充功能走快速路線。不管選哪種方式，你都不必再手動重整 Google Flights，而是讓票價追蹤自動跑起來。

若想學更多 Python 抓取技巧，歡迎參考我們的如何用 Python 做網頁爬取與最佳 Python 網頁爬蟲工具指南。

常見問題

1. 不用 Python，也能抓 Google Flights 嗎？

可以。像 SerpApi 和 Kiwi Tequila 這類 API 服務，可以透過 API 呼叫提供結構化的航班資料（不需要瀏覽器自動化）。如果你要完全不寫程式，Thunderbit 的 Chrome 擴充功能也能直接從瀏覽器抓 Google Flights 結果，搭配 AI 建議欄位與一鍵匯出功能。

2. Google 會阻擋航班資料抓取嗎？

Google 會使用機器人偵測（SearchGuard）、CAPTCHA 與速率限制。只要搭配正確的反機器人措施——隨機延遲、user-agent 輪替、家用代理、以及 stealth 瀏覽器設定——中等流量下仍然可以維持穩定抓取。上面的反機器人章節有具體技巧與門檻。

3. 做票價追蹤時，多久抓一次 Google Flights 比較好？

每天兩次（時間隨機）就足以做個人票價觀察，而且能把被偵測風險降到較低。若是商業監控，可提高到每 4–6 小時一次並搭配代理輪替。除非是短期特價活動，否則不建議每小時抓一次，因為被封鎖的機率會明顯上升。

4. 有免費的 Google Flights API 嗎？

官方的 Google QPX Express API 已在 2018 年 4 月停用，沒有免費的官方替代方案。最接近的免費選項是 Kiwi Tequila API（聯盟模式，搜尋次數無上限）。SerpApi 每月提供 250 次免費搜尋。對多數使用者來說，抓取或像 Thunderbit 這樣的免程式工具，都是更實際的做法。

5. 為什麼我的 Google Flights CSS selector 一直抓到空資料？

Google 使用 Closure Compiler 產生會混淆的 class 名稱，而且每次建置都可能改變。A/B 測試和語系差異也會讓不同使用者看到不同的 HTML 結構。解法是：改用 aria-label 屬性與文字型 selector，而不是 class 名稱；加上驗證函式及早發現失效；並每月檢查一次 selector。詳細策略請參考 selector 維護章節。

延伸閱讀

使用 Python 擷取 Google Flights：從程式碼到票價提醒