如何使用 Python 搜索谷歌趋势

Python 通过自动从 Google Trends 提取数据，使这一过程变得更加完美。这意味着我可以节省时间，快速高效地收集大量数据。在本指南中，我将向你展示如何使用 Python 搜刮 Google Trends 数据。

我们将逐步介绍设置、所需库和收集有意义数据的方法，以便进行更深入的分析和更明智的决策。

什么是谷歌趋势？

谷歌趋势 是一种在线工具，可显示特定搜索词在谷歌中的输入频率与网站在一段时间内的总搜索量之比。它是了解以下内容的重要资源：

• 某些主题的受欢迎程度。
• 对各种术语的地理兴趣。
• 兴趣的季节性。

用户可以通过访问这些数据对趋势进行可视化比较，从而更好地了解受众的行为。

为什么要抓取 Google Trends？

搜索 Google Trends 数据有很多用处：

• 关键词研究： 搜索引擎优化专家和内容创建者必须了解哪些关键词最受欢迎。Google Trends 可帮助按地点或时间识别流行词，从而更轻松地创建可带来有机流量的内容。
• 市场研究： 营销人员需要了解客户的兴趣，以预测需求的变化。谷歌趋势有助于跟踪搜索模式，深入了解客户的需求和时间。
• 社会研究： 公众兴趣随着事件、创新和全球变化而变化。谷歌趋势帮助研究人员了解趋势是如何演变的，为分析社会提供有价值的见解。
• 品牌监测： 公司可以利用 Google Trends 跟踪其品牌的受欢迎程度，与竞争对手进行比较，并对公众兴趣的变化做出快速反应。

搜索谷歌趋势的最佳替代方案

在本指南中，我们将介绍如何使用 Python 搜索 Google Trends。这一点也不难，但要大规模地完成这项工作，你可能需要一个更好的解决方案。我建议您尝试 Bright Data 的谷歌趋势抓取器是其 SERP API 产品的一部分。

通过调用应用程序接口，它可以轻松获取结构化数据，为您提供所需的所有数据点。它的响应时间和定位精度都非常出色，是一个值得信赖的解决方案。需要说明的是，我与 Bright Data 没有任何关系，我只是在使用其产品的过程中获得了良好的体验。

如何从谷歌趋势中抓取数据

Google Trends 没有官方 API 来抓取其数据，但存在一些变通方法。一个流行的工具是 pytrendsPytrends 是一个 Python 库，可轻松从 Google Trends 下载报告。Pytrends 简单易用，但也有局限性。它不能总是访问动态或交互式元素背后的数据。

您可以使用 Selenium with Beautiful Soup 来抓取这些类型的网页。Selenium 是一款功能强大的工具，可以与网页进行交互，甚至可以与使用 JavaScript 加载内容的网页进行交互。使用 Selenium 搜刮数据后，您可以使用 Beautiful Soup 解析 HTML 并快速提取特定信息。这种组合可帮助您获得最详细的 Google Trends 数据。

现在，让我们一步步来。

步骤 1：安装 Python 库

第一步是安装必要的库。我们将使用 pytrends，这是一个用于访问 Google Trends 数据的流行 Python 库。

使用以下命令安装 pytrends：

pip install pytrends

除了 pytrends 之外，我们还将使用 pandas 来处理数据和 matplotlib 以实现可视化。您可以使用以下方法安装它们：

pip install pandas matplotlib

步骤 2：导入图书馆

现在，我们将首先导入刚刚安装的库：

from pytrends.request import TrendReq
import pandas as pd
import matplotlib.pyplot as plt

第 3 步：设置 Pytrends 连接

pytrends 库使用一个名为 TrendReq 的类与 Google Trends 交互。我们需要创建该类的一个实例来启动连接：

# Initialize a Google Trends session
pytrends = TrendReq(hl=en-US，tz=360)

给你

• hl='en-US'将语言设置为英语（美国）。
• tz=360 指定时区。360 代表 UTC+6，但您可以根据需要进行调整。

步骤 4：建立搜索查询

我们需要定义要研究的关键词。比方说，我们想搜索 "Python 编程"、"数据科学 "和 "机器学习 "在一段时间内的流行程度：

# Define search terms
keywords = ["Python Programming", "Data Science", "Machine Learning"]
# Build payload
pytrends.build_payload(kw_list=keywords, timeframe='today 12-m', geo='US')

kw_list： 这是我们感兴趣的搜索关键词列表。

时限:这定义了您需要数据的时间段。today 12-m "获取过去 12 个月的数据。

geo='US':这将搜索范围限制在美国。您可以将其更改为 "全部"，以获得全球数据。

步骤 5：长期提取利息

Google Trends 最常用的功能之一是跟踪兴趣随时间的变化。让我们来提取这些数据：

# Fetch interest over time
interest_over_time_df = pytrends.interest_over_time()
# Display the data
print(interest_over_time_df.head())

这将打印一个 DataFrame，显示指定搜索词在一段时间内的兴趣。输出结果将包括关键词趋势和 isPartial 栏，该栏显示数据是完整的还是估计的。

步骤 6：数据可视化

数据可视化可以帮助我们更清楚地了解趋势。让我们绘制一张图表，直观显示一段时间内的搜索趋势：

# Plotting the interest over time
interest_over_time_df.plot(figsize=(10, 6))
plt.title('Google Trends Over Time')
plt.xlabel('Date')
plt.ylabel('Interest Level')
plt.grid()
plt.show()

该图将显示每个搜索词在一段时间内的流行程度，便于查看趋势。

第 7 步：探索相关查询

相关查询会显示与您的关键词相关的其他搜索词。访问相关查询：

related_queries = pytrends.related_queries()
# Display related queries for each term
for key, value in relevant_queries.items()：
print(f"Related queries for {key}:")
print(value['top'])

上述代码将为您提供的每个关键词打印相关搜索查询，这有助于探索人们是如何搜索类似主题的。

步骤 8：各地区的兴趣

要了解某个话题在哪里最受欢迎，可以查看地理兴趣：

# Fetch interest by region
interest_by_region_df = pytrends.interest_by_region(resolution='COUNTRY')
# Display interest by region
print(interest_by_region_df.head())

这些数据将显示不同国家的兴趣水平。如需更多本地化数据，请使用 "城市 "而不是 "国家"。

步骤 9：按区域直观显示兴趣

热图是按地区直观显示兴趣的有效方法：

# Plotting a bar chart for top countries
interest_by_region_df.sort_values(by='Python Programming', ascending=False).head(10).plot(kind='bar', figsize=(10, 6))
plt.title('Top 10 Countries Interested in Python Programming')
plt.xlabel('Country')
plt.ylabel('Interest Level')
plt.grid()
plt.show()

这将直观地显示哪些国家对关键词 "Python 编程 "最感兴趣。

步骤 10：谷歌趋势分类和数据导出

Google Trends 将数据归类为体育、健康、商业等不同领域。您可以指定一个类别来过滤结果：

# Building payload with a category filter (e.g., 'Computer & Electronics')
pytrends.build_payload(kw_list=[)"Python"], cat=5, timeframe='today 3-m', geo='US')
# Extracting and exporting data to a CSV file
interest_over_time = pytrends.interest_over_time()
interest_over_time.to_csv(google_trends_data.csv)

该代码将获取计算机与电子产品类别的趋势数据，并将其保存为 CSV 文件，以便您执行进一步分析或共享数据。

步骤 11：使用 Pandas 处理数据

一旦获得数据，Pandas 就能轻松对其进行处理。例如，您可以计算整个期间的平均利息：

# Calculate average interest for each keyword
average_interest = interest_over_time_df.mean()
print(average_interest)

步骤 12：查看趋势搜索

Google Trends 还有一项名为 "趋势搜索 "的功能，可显示当前流行的搜索。你可以通过以下方式获取这些信息：

# Get today's trending searches in the US
trending_searches_df = pytrends.trending_searches(pn='united_states')
# Display trending searches
print(trending_searches_df)

趋势搜索功能可让你快速了解人们目前正在搜索的内容，这有助于在突发新闻或病毒式流行趋势中保持领先。

步骤 13：实时利息

Google Trends 的另一个很酷的功能是 "实时趋势"。您可以查看特定地区当前的流行趋势：

# Get real-time trending searches
real_time_trends = pytrends.realtime_trending_searches(pn='US')
# Display real-time trends
print(real_time_trends.head())

这让您几乎在兴趣高峰出现时就能识别出来，这对创建反应性内容非常有价值。

步骤 14：关键词建议

如果您想扩展关键字研究，可以获得相关关键字的建议：

# Get suggestions for related keywords
suggestions = pytrends.suggestions(keyword='Python Programming')
# Display suggestions
print(suggestions)

这一功能可以帮助您发现新的探索领域，从而增强您的整体分析能力。

第 15 步：自动搜索过程

搜索 Google Trends 的真正好处在于可以自动完成整个过程。你可以编写一个定期运行的脚本来收集和保存数据。下面是一个每周自动收集数据的示例：

import schedule
import time
# Define a function to scrape and save Google Trends data
def scrape_google_trends():
pytrends.build_payload(kw_list=[)"Python Programming"], timeframe='now 7-d')
data = pytrends.interest_over_time()
data.to_csv('weekly_google_trends_data.csv')
# Schedule the job to run every Monday at 8 am
schedule

步骤 16：应对常见挑战

从 Google Trends 搜刮数据时，您可能会遇到一些常见问题：

• 申请限制:Google Trends 限制来自单个 IP 的请求数量。你可以通过在请求之间增加延迟或使用代理来解决这个问题。以下是 推荐的住宅代理供应商.

from time import sleep
pytrends = TrendReq(hl=en-US，tz=360)
sleep(60) # Pauses for a minute between requests

• Pytrends 的错误： 如果 Google 阻止了您的请求或返回错误信息，请尝试使用不同的 IP 重新进行身份验证，或稍候再进行后续请求。
• 数据不完整： 有时，数据可能不完整，这可以通过结果中的 isPartial 列来表示。您可以通过过滤掉 isPartial 为 True 的行来处理这种情况。

结论

抓取 Google Trends 数据可以提供有关关键字流行度、消费者行为和市场趋势的宝贵见解。通过使用 Python 和 pytrends 将这一过程自动化，无论您是搜索引擎优化专家、研究人员还是营销人员，都可以快速收集和分析搜索兴趣数据，从而做出明智的决策。

本指南中的步骤涵盖了从设置 Python 库到可视化数据和自动化收集过程的方方面面。您可以应用这些技术为您的项目或营销活动收集有洞察力的数据。