So scrapst du H&M 2026 (API & Python)

Der schnellste Weg, H&M 2026 zu scrapen, ist eine strukturierte API aufzurufen, die normalisiertes JSON für Keyword-Suche, Kategorie-Listings und vollständige Produktdetails liefert — statt H&Ms Storefront-Seiten selbst zu parsen. H&Ms App-Backend-Daten sind reichhaltig (Preise pro Farbe, Live-Bestand pro Größe, echte Kundenbewertungen), aber es gibt kein öffentliches Developer-Programm, um sie anzufragen, keinen Kategorie-Baum-Endpunkt, um herauszufinden, was durchsuchbar ist, und die Seite läuft hinter echter Anti-Bot-Infrastruktur. Dieser Guide behandelt den DIY-Ansatz und wo er scheitert, eine No-Code-Option und eine strukturierte H&M-API, sowie was rechtlich tatsächlich erlaubt ist zu sammeln.

Warum H&M scrapen?

• Preisbeobachtung — verfolgen, wie sich der Preis eines Kleidungsstücks über Farben und Zeit hinweg entwickelt, inklusive Preissenkungen.
• Sortiments- und Kategorierecherche — sehen, was eine Kategorie tatsächlich führt und wie sich die Anzahl saisonal verändert.
• Bestandsüberwachung auf Größenebene — Verfügbarkeit pro Größe und Farbe zeigt dir, welche Größen zuerst ausverkauft sind, nicht nur ob ein Produkt „auf Lager" ist.
• Bewertungs- und Sentiment-Analyse — Rating-Trends und Bewertungstexte für ein bestimmtes Produkt oder eine Produktlinie ziehen.
• Wettbewerbsvergleich im Fast-Fashion-Bereich — H&Ms Sortimentsbreite und Preise mit Zara, Zalando und anderen Fast-Fashion-Händlern vergleichen.

Ist es legal, H&M zu scrapen?

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

H&Ms Produktseiten bieten keinen stabilen öffentlichen JSON-Endpunkt, also muss ein DIY-Scraper die gerenderte Seite abrufen und parsen:

import requests
from bs4 import BeautifulSoup

resp = requests.get(
    "https://www2.hm.com/en_us/productpage.1227171001.html",
    headers={"User-Agent": "Mozilla/5.0 (compatible; research-bot/1.0)"},
)
soup = BeautifulSoup(resp.text, "html.parser")
# Per-color price, per-size stock, and reviews are hydrated from
# app-backend calls, not consistently exposed as selectable markup

Es demonstriert kurz etwas und scheitert dann:

• Die Nutzungsbedingungen verbieten Bots und Crawler ausdrücklich. H&Ms ToS nennt „spiders, bots, crawlers, avatars or intelligent agents" direkt — das ist keine vage Klausel, um die man herumargumentieren kann, und ein Verstoß riskiert eine sofortige Zugriffssperre.
• Echte Anti-Bot-Infrastruktur schützt die Seite. Ein naiver, unauthentifizierter requests-Call wird schnell herausgefordert oder blockiert, und ein browserbasierter Scraper braucht laufende Wartung, während sich die Abwehr weiterentwickelt.
• Kein Kategorie-Baum-Endpunkt, um herauszufinden, was durchsuchbar ist. H&M veröffentlicht keinen Nav-Tree- oder Kategorie-Lookup-Call — entweder kennst du den Kategorie-Slug schon (aus einer Storefront-URL wie ladies_jeans oder men_newarrivals_all), oder du hast keinen Weg hinein.
• Daten pro Farbe und Größe stehen nicht in einem flachen Feld. Die eigentlichen Details einer Produktseite — jede kaufbare Farbe mit ihrem eigenen Preis und Bestand pro Größe — sind strukturierte Daten, die clientseitig hydriert werden, kein Wert, den man mit einem Selektor greifen kann.
• Kein offizielles Developer-Programm. H&M hat keine Self-Service-öffentliche API für seinen Storefront-Katalog, also gibt es keinen sanktionierten Kanal, um als externer Entwickler programmatischen Zugriff anzufragen.

Option 2: No-Code-Tools

Browser-Extensions und Point-and-Click-Scraper können eine Seite H&M-Suchergebnisse für einen einmaligen Abzug exportieren, aber sie lösen keine Kategorie-Slugs für dich auf, normalisieren keine Struktur pro Farbe/Größe und erben dieselbe Anti-Bot-Anfälligkeit wie DIY — nichts, das du nach Zeitplan laufen lassen möchtest.

Option 3: Eine strukturierte H&M-API

Für eine wiederholbare Pipeline verwandelt Crawloras H&M-API H&Ms eigene App-Backend-Storefront-Daten in strukturiertes JSON — Keyword-Suche, Kategorie-Listings und vollständige Produktdetails — ohne Page-Parsing oder Anti-Bot-Wartung. Suche per Keyword:

curl "https://api.crawlora.net/api/v1/hm/search?query=denim%20jacket" \
  -H "x-api-key: $CRAWLORA_API_KEY"

{
  "code": 200,
  "msg": "OK",
  "data": {
    "query": "denim jacket",
    "count": 24,
    "total_count": 187,
    "products": [
      {
        "id": "1227171001",
        "name": "Relaxed Fit Denim Jacket",
        "price": 44.99,
        "currency": "USD",
        "url": "https://www2.hm.com/en_us/productpage.1227171001.html",
        "image": "https://lp2.hm.com/hmgoepprod?set=source[/33/44/example.jpg]",
        "colors": [
          { "color": "Denim blue", "product_id": "1227171001", "in_stock": true },
          { "color": "Black", "product_id": "1227171002", "in_stock": true }
        ]
      }
    ]
  }
}

Anders als beim Kategorie-Browsing ist die Suche ehrlich bei einer Sackgasse — gib ein obskures oder unsinniges Keyword ein und du bekommst ein echtes leeres Ergebnis, keinen Empfehlungs-Fallback.

Durchstöbere eine Kategorie per Slug (dafür gibt es keinen Discovery-Endpunkt — category_id-Werte stammen aus bekannten Storefront-Pfaden, nicht aus einem Lookup-Call):

import requests

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

listing = requests.get(f"{base}/listing", headers=h, params={"category_id": "ladies_jeans"}).json()["data"]
product_id = listing["products"][0]["id"]

detail = requests.get(f"{base}/product/{product_id}", headers=h).json()["data"]

Eine Produktdetail-Response ist, wo die eigentliche Struktur steckt — jede kaufbare Farbe gruppiert mit ihrem eigenen echten Preis pro Größe und Live-Verfügbarkeit, plus Bewertungen, sofern das Produkt welche hat (die genauen Felder findest du in den Docs):

{
  "code": 200,
  "msg": "OK",
  "data": {
    "product_id": "1227171001",
    "name": "Relaxed Fit Denim Jacket",
    "colors": [
      {
        "color": "Denim blue",
        "product_id": "1227171001",
        "price": 44.99,
        "currency": "USD",
        "sizes": [
          { "size": "XS", "in_stock": true, "stock_quantity": 12 },
          { "size": "S", "in_stock": true, "stock_quantity": 4 },
          { "size": "M", "in_stock": false, "stock_quantity": 0 }
        ]
      },
      {
        "color": "Black",
        "product_id": "1227171002",
        "price": 44.99,
        "currency": "USD",
        "sizes": [
          { "size": "XS", "in_stock": true, "stock_quantity": 7 }
        ]
      }
    ],
    "rating": 4.2,
    "review_count": 38,
    "reviews": [
      {
        "author": "J.",
        "rating": 5,
        "text": "True to size, good quality denim for the price.",
        "date": "2026-06-02"
      }
    ]
  }
}

Suche und Listing geben dir nur einen repräsentativen Preis und einen Bestandswert pro Farbe — rufe das Produktdetail für die id ab (oder die Ziffern aus einer productpage.<id>.html-URL), wann immer du den echten Preis und Bestand pro Größe brauchst. Speichere eine Zeile pro Farbe pro Abruf, mit product_id als Schlüssel, und lass es nach Zeitplan erneut laufen, um Preisänderungen und Größen-Ausverkäufe zu verfolgen.

Was du sammeln kannst

Öffentliche Storefront-Daten: Suchergebnisse (id, name, price, currency, image, Bestandswert pro Farbe) mit einem echten leeren Ergebnis bei einer schlechten Anfrage; Kategorie-Listings nach bekanntem category_id-Slug; und vollständige Produktdetails — der echte Preis pro Größe und Live-Verfügbarkeit jeder Farbe, plus aggregiertes Rating und Kundenbewertungen, sofern das Produkt welche hat. Nur öffentliche Produktseiten-Daten — keine Konto-, Warenkorb- oder Checkout-Informationen.

Einschränkungen und häufige Herausforderungen

• Kein Kategorie-Baum-Discovery-Endpunkt. H&M bietet keine Möglichkeit, Kategorien aufzulisten — category_id-Slugs wie ladies_jeans oder men_newarrivals_all müssen aus bekannten Storefront-Pfaden stammen, also baue und pflege deine eigene Slug-Liste.
• Echte Anti-Bot-Infrastruktur im Frontend. Erwarte Herausforderungen bei naiven oder hochvolumigen automatisierten Requests direkt gegen H&Ms Seite.
• Suche und Listing sind nicht das vollständige Bild. Sie führen einen repräsentativen Preis und einen Bestandswert pro Farbe — behandle sie als Discovery-Schicht und rufe das Produktdetail für genauen Preis und Verfügbarkeit pro Größe ab.
• Bewertungen sind nicht garantiert. Viele Produkte haben keine — prüfe review_count, bevor du annimmst, dass Bewertungsdaten vorhanden sind.
• Die ToS nennt Bots und Crawler ausdrücklich. Behandle das als echte Einschränkung, nicht als Standardtext — bleib bei öffentlichen Produktseiten-Fakten und halte Rate-Limits ein.

Wo das eingesetzt wird

• Preisbeobachtung — price pro Farbe und Preissenkungen einer Produktlinie über eine Saison verfolgen.
• Bestandsüberwachung auf Größenebene — sizes[].in_stock und stock_quantity beobachten, um zu sehen, welche Größen zuerst ausverkauft sind.
• Wettbewerbsvergleich im Fast-Fashion-Bereich — Sortiment und Preise pro Kategorie mit Zara und Zalando vergleichen.

Sources

Leg los mit dem Sammeln

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

H&M-Daten passen gut zu anderen Fashion-Retail-APIs für plattformübergreifende Recherche — sieh dir how to scrape Zalando für einen 25-Markt-Fashion-Marktplatz an, oder how to scrape Zara für den nächsten Fast-Fashion-Vergleich. Teste die Such-, Listing- und Produkt-Endpunkte im Playground, prüfe das Schema in den API-Docs und schau dir die Preise an. Siehe auch wie du eine Web Scraping API auswählst und ist Web Scraping legal.