Google Trends scrapen 2026 (API & Python)

Der schnellste Weg, 2026 an Google-Trends-Daten zu kommen, ist der Aufruf einer strukturierten Trends-API, die normalisiertes JSON zurückgibt — Zeitreihen zum Interesse im Zeitverlauf, steigende und Top-bezogene Suchanfragen, Interesse nach Region und Trending-Suchen — statt die Trends-Seite selbst zu automatisieren. Eine offizielle öffentliche Google-Trends-API gibt es nicht, deshalb ist die praktikable Wahl ein gepflegter Endpoint, der die Request-Form und das Parsing für dich übernimmt.

Eines solltest du vorab wissen: Google-Trends-Werte sind relativ und auf 0–100 normalisiert, keine absoluten Suchzahlen. Das gilt unabhängig davon, wie du sie erhebst — bau deine Analyse also um die relative Bewegung herum, nicht um das Rohvolumen.

Ist es legal, Google Trends zu scrapen?

Google Trends sind öffentliche Daten, und das Erheben öffentlicher Daten wird in der Regel anders behandelt als der Zugriff auf private Konten — bedingungslos ist es aber nicht:

• Erhebe nur die öffentlichen Trends-Oberflächen; keine login-geschützten Daten.
• Halte Rate Limits ein und überlaste den Dienst nicht.
• Prüfe Googles Bedingungen und dein lokales Recht, bevor du Daten kommerziell weiterverbreitest.
• Denk daran, dass die Werte normalisierte Indizes sind — stelle sie in jedem Produkt ehrlich dar.

Das ist keine Rechtsberatung — Details findest du in Ist Web Scraping 2026 legal?.

Option 1: DIY in Python (und warum es kaputtgeht)

Der übliche DIY-Weg ist eine inoffizielle Bibliothek wie pytrends, die das Trends-Frontend nachbildet:

from pytrends.request import TrendReq

pytrends = TrendReq()
pytrends.build_payload(["ai agents"], timeframe="today 12-m", geo="US")
df = pytrends.interest_over_time()

Das funktioniert, bis es das nicht mehr tut. Die wiederkehrenden Schmerzpunkte:

• Rate Limiting und 429er — Google drosselt die internen Endpoints aggressiv, du brauchst also Proxys und Backoff.
• Inoffiziell und instabil — diese Bibliotheken folgen einer undokumentierten internen API, die sich ohne Vorwarnung ändert.
• Payload-Eigenheiten — Timeframes, Geos und Kategoriecodes sind fummelig und leicht subtil falsch zu setzen.
• Normalisierung über Requests hinweg — Keywords aus separaten Calls zu vergleichen ist unzuverlässig, weil jeder Batch neu normalisiert wird.

Option 2: No-Code- und fertige Tools

Dashboards und Browser-Tools können dir einen Chart zeigen, geben dir aber selten die zugrunde liegende Zeitreihe in einer Form, die du speichern, joinen oder planen kannst. Für alles, was eine Pipeline oder ein Produkt speist, willst du das JSON.

Option 3: Eine strukturierte Google-Trends-API

Crawloras Google Trends API bietet dokumentierte Endpoints für Interesse im Zeitverlauf, steigende und Top-Suchanfragen, verwandte Themen, Interesse nach Region und Trending-Suchen — alle liefern normalisiertes JSON.

curl -X POST "https://api.crawlora.net/api/v1/google/trends/explore/interest-over-time" \
  -H "x-api-key: $CRAWLORA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"keywords": ["ai agents"], "geo": "US", "timeframe": "today 12-m"}'

import requests

resp = requests.post(
    "https://api.crawlora.net/api/v1/google/trends/explore/interest-over-time",
    headers={"x-api-key": "YOUR_API_KEY"},
    json={"keywords": ["ai agents"], "geo": "US", "timeframe": "today 12-m"},
)
for point in resp.json()["data"]["timeline"]:
    print(point["date"], point["values"])

Eine Response ist normalisiertes JSON (die Felder sind illustrativ — bestätige den genauen Request-Body und das Schema in den Docs):

{
  "code": 200,
  "msg": "OK",
  "data": {
    "timeline": [
      { "date": "2026-05-01", "values": [{ "keyword": "ai agents", "value": 72 }] }
    ]
  }
}

Wenn es dir ums Entdecken statt ums Tracking geht, mach mit den Rising-/Top-Queries- und Trending-Endpoints sichtbar, was gerade an Fahrt gewinnt:

h = {"x-api-key": "YOUR_API_KEY"}
base = "https://api.crawlora.net/api/v1/google/trends"

rising = requests.post(f"{base}/explore/rising-queries", headers=h,
                       json={"keywords": ["ai agents"], "geo": "US"}).json()["data"]
trending = requests.get(f"{base}/trending", headers=h, params={"geo": "US"}).json()["data"]

Übergib bis zu 5 Keywords in einem Interest-over-time-Call, damit sie gemeinsam normalisiert werden — genau der Vergleich, der kaputtgeht, wenn du sie auf separate Requests aufteilst.

Was du erheben kannst

• Interesse im Zeitverlauf als normalisierte 0–100-Zeitreihe pro Keyword
• Steigende und Top-bezogene Suchanfragen zu einem Begriff
• Verwandte Themen und Interesse nach Region
• Trending-Suchen und Trending-Detail für das, was gerade hochschießt

Grenzen und häufige Herausforderungen

• Keine offizielle API. Google hat nie eine öffentliche Trends-API ausgeliefert; inoffizielle Bibliotheken (pytrends) treffen den internen Endpoint, der ratenbegrenzt ist (429) und sich ohne Vorwarnung ändert.
• Werte sind relativ, nicht absolut. Jede Zeitreihe wird innerhalb ihres Requests auf 0–100 normalisiert — das sind Indizes, keine Suchzahlen; stelle sie ehrlich dar und lies sie nicht als Volumen.
• Normalisiere in einem Call. Übergib bis zu 5 Keywords gemeinsam, damit sie eine Skala teilen; teilst du sie auf separate Requests auf, wird jeder neu normalisiert und sie werden unvergleichbar.
• Geo-, Timeframe- und Kategorie-Eigenheiten. Standortcodes, Timeframes und Kategorie-IDs sind fummelig; nutze die Enums- und Locations-Endpoints, um sie richtig zu treffen.

Quellen

Wo das hineinpasst

Probier es zuerst, kostenlos: jag eine beliebige öffentliche URL durch den Free Web Scraper oder prüfe mit dem Anti-Bot Checker, ob eine Site Bots blockiert — ohne Anmeldung.

Trends-Daten entfalten ihre Stärke am meisten neben Search Rankings. Kombiniere Nachfrage mit Sichtbarkeit: Wenn eine Suchanfrage steigt, prüf mit der Google Search API oder dem engine-übergreifenden SERP-Monitoring-Workflow, ob du dafür rankst, und priorisiere Content dort, wo die Nachfrage klettert. Für SEO und Content-Planung ist genau diese Schleife aus Nachfrage plus Rankings der ganze Sinn — siehe die besten SERP-APIs 2026 für die Ranking-Seite, wie man Brave Search scrapt für eine alternative Engine, wie man Google Maps scrapt, um regionale Nachfrage gegen die Unternehmen vor Ort abzugleichen, und wie man eine Web Scraping API auswählt für das breitere Toolkit.

Leg los, indem du den Endpoint im Playground testest, das Request- und Response-Schema in den API-Docs liest und die Credit-Kosten auf der Preisseite prüfst.