如何使用 TalorData 抓取 Google Trends 搜尋結果

了解如何使用 TalorData SERP API 抓取 Google Trends 搜尋結果。本技術指南涵蓋了查詢參數、Python requests 請求、時間趨勢、地區資料、相關查詢、相關主題、CSV 匯出以及常見錯誤。

Lila Montclair

最後更新於

2026-06-30

6 分鐘閱讀

Google Trends 很適合用來觀察搜尋需求的變化。它能幫你在排名、流量、銷售或客服問題出現之前，先看到使用者注意力正在往哪裡移動。

對 SEO 和內容團隊來說，它可以回答這些問題：

問題	為什麼重要
這個主題是在成長還是衰退？	內容規劃
哪個地區的興趣更強？	Local SEO 和市場研究
哪些相關查詢正在上升？	關鍵字發現
哪些 topics 和這個查詢有關？	Topic clustering
需求是否有季節性？	Campaign planning
哪個產品或品牌正在獲得關注？	Competitive monitoring

問題是，Google Trends 更像是一個互動介面，不是乾淨的資料管線。如果你要做重複採集、dashboard、alerts 或 AI workflows，手動查看 Trends 網站不夠。

這時就需要 Google Trends SERP API workflow。

透過 TalorData，你可以在 SERP API layer 中請求 Google Trends data，設定 query、category、date range、location、search type 和 output options，並將結果解析成結構化資料。TalorData 的 Google Trends 參數指南列出 q 為必填搜尋查詢，並包含 category、date 等 Google Trends request 設定。

可以從 Google Trends 收集什麼？

Google Trends data 和一般 Google Search ranking data 不一樣。你不是在收集 title、URL、snippet、position 這類 organic results。

你收集的是趨勢訊號。

常見資料類型包括：

Data type	說明
Interest over time	搜尋興趣如何隨時間變化
Interest by region	哪些地區更熱門
Related queries	和關鍵字相關的搜尋詞
Related topics	和關鍵字相關的 topics
Rising queries	快速成長的查詢
Top queries	最相關的熱門查詢

Google Trends 網站本身也將 Trends 定位為按時間、地點和熱度探索搜尋興趣的工具。

常見技術場景包括：

使用場景	範例
SEO topic research	追蹤 “AI agent workflow” 是否成長
Content planning	找 “Google Trends API” 的 rising questions
Market research	比較不同國家的需求
Product research	觀察品牌或品類熱度
Local strategy	看哪些地區更常搜尋某主題
AI agents	讓 agent 在寫報告前先檢測趨勢

基本請求結構

實際 endpoint 和 authentication 格式，請以你的 TalorData dashboard 或 API docs 為準。

一個典型請求長這樣：

POST TALORDATA_SERP_ENDPOINT
Authorization: Bearer TALORDATA_API_KEY
Content-Type: application/json

{
  "engine": "google_trends",
  "q": "coffee",
  "date": "today 12-m",
  "geo": "US",
  "cat": "0",
  "data_type": "TIMESERIES"
}

核心參數：

Parameter	Purpose
`engine`	選擇 Google Trends
`q`	搜尋查詢
`date`	時間範圍
`geo`	地理位置
`cat`	類別
`data_type`	返回哪一類 Trends data
`tz`	Timezone offset
`gprop`	搜尋屬性，例如 web、news、images、shopping、YouTube

Google Trends 工具通常使用 TIMESERIES、GEO_MAP、RELATED_QUERIES 和 RELATED_TOPICS 來表示 interest over time、region interest、related queries 和 related topics。

Step 1：準備 API key

將 TalorData API key 和 endpoint 存成環境變數。

export TALORDATA_API_KEY="your_api_key_here"
export TALORDATA_SERP_ENDPOINT="your_talordata_serp_endpoint_here"

Windows PowerShell：

setx TALORDATA_API_KEY "your_api_key_here"
setx TALORDATA_SERP_ENDPOINT "your_talordata_serp_endpoint_here"

安裝 Python dependencies：

pip install requests pandas

Step 2：建立可重用 Python client

下面這個 function 會發送 Google Trends request 並返回 JSON。

import os
import requests
from typing import Any, Dict, Optional


TALORDATA_API_KEY = os.getenv("TALORDATA_API_KEY")
TALORDATA_SERP_ENDPOINT = os.getenv("TALORDATA_SERP_ENDPOINT")


def fetch_google_trends(
    query: str,
    data_type: str = "TIMESERIES",
    geo: str = "US",
    date: str = "today 12-m",
    cat: str = "0",
    tz: str = "420",
    gprop: Optional[str] = None
) -> Dict[str, Any]:
    """
    Fetch Google Trends data with TalorData SERP API.

    Replace the request body or headers if your TalorData dashboard
    shows a different authentication format.
    """
    if not TALORDATA_API_KEY:
        raise RuntimeError("Missing TALORDATA_API_KEY environment variable.")

    if not TALORDATA_SERP_ENDPOINT:
        raise RuntimeError("Missing TALORDATA_SERP_ENDPOINT environment variable.")

    payload = {
        "engine": "google_trends",
        "q": query,
        "data_type": data_type,
        "geo": geo,
        "date": date,
        "cat": cat,
        "tz": tz
    }

    if gprop:
        payload["gprop"] = gprop

    headers = {
        "Authorization": f"Bearer {TALORDATA_API_KEY}",
        "Content-Type": "application/json"
    }

    response = requests.post(
        TALORDATA_SERP_ENDPOINT,
        json=payload,
        headers=headers,
        timeout=30
    )

    response.raise_for_status()
    return response.json()

使用方式：

if __name__ == "__main__":
    data = fetch_google_trends(
        query="AI agents",
        data_type="TIMESERIES",
        geo="US",
        date="today 12-m"
    )

    print(data)

Step 3：取得 interest over time

Interest over time 通常是最常用的 Google Trends chart。

它可以回答：

問題	範例
需求是否成長？	“AI agents” 過去 12 個月是否上升
是否有季節性？	“Halloween costume” 每年 10 月是否上升
活動是否帶來熱度？	品牌詞在發布後是否上升
熱度是否衰退？	新聞週期後主題是否冷卻

請求：

data = fetch_google_trends(
    query="AI agents",
    data_type="TIMESERIES",
    geo="US",
    date="today 12-m"
)

常見 response 會包含 timeline array，例如 date、timestamp 和 values。

{
  "interest_over_time": {
    "timeline_data": [
      {
        "date": "Jan 1–7, 2026",
        "timestamp": "1767225600",
        "values": [
          {
            "value": "72",
            "extracted_value": 72
          }
        ]
      }
    ]
  }
}

Parser：

from typing import Any, Dict, List


def parse_interest_over_time(data: Dict[str, Any]) -> List[Dict[str, Any]]:
    timeline = (
        data.get("interest_over_time", {})
        .get("timeline_data", [])
    )

    rows = []

    for item in timeline:
        values = item.get("values", [])

        if not values:
            continue

        first_value = values[0]

        rows.append({
            "date": item.get("date"),
            "timestamp": item.get("timestamp"),
            "value": first_value.get("value"),
            "extracted_value": first_value.get("extracted_value")
        })

    return rows

保存成 CSV：

import pandas as pd


data = fetch_google_trends(
    query="AI agents",
    data_type="TIMESERIES",
    geo="US",
    date="today 12-m"
)

rows = parse_interest_over_time(data)
df = pd.DataFrame(rows)
df.to_csv("google_trends_interest_over_time.csv", index=False)

print(df.head())

Step 4：比較多個 keywords

Google Trends 常常在比較關鍵字時更有價值。

data = fetch_google_trends(
    query="AI agents,RAG,LLM apps",
    data_type="TIMESERIES",
    geo="US",
    date="today 12-m"
)

適合比較：

Comparison	用途
Brand vs competitor	市場需求
Topic A vs topic B	內容優先級
Old term vs new term	語言變化
Product category vs feature	使用者意圖
Keyword variants	SEO targeting

注意：Trends values 通常是 indexed values，不是絕對搜尋量。Google Search Central blog 說明，Trends data 反映的是 search interest，不是絕對數字。

所以 100 不等於 100 次搜尋，而是所選範圍內的最高相對熱度。

Step 5：取得 interest by region

Regional data 可以告訴你某個 topic 在哪些地區更強。

data = fetch_google_trends(
    query="electric bike",
    data_type="GEO_MAP",
    geo="US",
    date="today 12-m"
)

適合：

使用場景	範例
Local SEO	哪些州更常搜尋 “emergency plumber”？
Market expansion	哪裡的 “EV charger installation” 正在成長？
Ad planning	哪些地區值得投放？
Content localization	不同國家用什麼詞？
Product demand	哪些地區品類需求更高？

Parser：

def parse_geo_map(data: Dict[str, Any]) -> List[Dict[str, Any]]:
    geo_data = data.get("interest_by_region", [])
    rows = []

    for item in geo_data:
        rows.append({
            "location": item.get("location"),
            "geo_code": item.get("geo_code"),
            "value": item.get("value"),
            "extracted_value": item.get("extracted_value")
        })

    return rows

因為不同 response structure 可能不同，建議先檢查 raw response：

import json

print(json.dumps(data, indent=2, ensure_ascii=False)[:3000])

先用小手電筒照一下洞口，後面就不容易在資料洞穴裡撞牆。

Step 6：取得 related queries

Related queries 很適合做 keyword discovery。

data = fetch_google_trends(
    query="google trends api",
    data_type="RELATED_QUERIES",
    geo="US",
    date="today 12-m"
)

常見分組：

Group	Meaning
Top	與查詢最相關的搜尋詞
Rising	快速成長的搜尋詞

用途：

Workflow	用法
SEO keyword research	找 long-tail terms
Content planning	找文章主題
Product marketing	發現使用者語言
Competitive research	觀察相鄰需求
AI agents	生成新的研究方向

Parser：

def parse_related_queries(data: Dict[str, Any]) -> List[Dict[str, Any]]:
    related = data.get("related_queries", {})
    rows = []

    for group_name in ["top", "rising"]:
        for item in related.get(group_name, []):
            rows.append({
                "group": group_name,
                "query": item.get("query"),
                "value": item.get("value"),
                "extracted_value": item.get("extracted_value"),
                "link": item.get("link")
            })

    return rows

保存 CSV：

data = fetch_google_trends(
    query="google trends api",
    data_type="RELATED_QUERIES",
    geo="US",
    date="today 12-m"
)

rows = parse_related_queries(data)
pd.DataFrame(rows).to_csv("related_queries.csv", index=False)

Step 7：取得 related topics

Related topics 適合處理語義模糊的詞。

例如 “python” 可能是 programming language，也可能是 snake。Topic data 可以幫你理解查詢周圍的語義環境。

data = fetch_google_trends(
    query="python",
    data_type="RELATED_TOPICS",
    geo="US",
    date="today 12-m"
)

Parser：

def parse_related_topics(data: Dict[str, Any]) -> List[Dict[str, Any]]:
    related = data.get("related_topics", {})
    rows = []

    for group_name in ["top", "rising"]:
        for item in related.get(group_name, []):
            topic = item.get("topic", {})

            rows.append({
                "group": group_name,
                "topic_title": topic.get("title"),
                "topic_type": topic.get("type"),
                "topic_id": topic.get("value") or item.get("id"),
                "value": item.get("value"),
                "extracted_value": item.get("extracted_value"),
                "link": item.get("link")
            })

    return rows

適合：

使用場景	範例
Entity SEO	理解 related entities
Topic clustering	建 content hubs
AI search	把 related topics 餵給 agent
Market research	發現相鄰品類
Brand research	看品牌周圍的 topics

Step 8：使用 categories

cat 參數可以按 category 限定查詢。TalorData Google Trends 參數指南將 cat 列為 optional category parameter，預設值為 0，表示 all categories。

data = fetch_google_trends(
    query="apple",
    data_type="TIMESERIES",
    geo="US",
    date="today 12-m",
    cat="5"
)

對語義模糊詞很有用：

Query	可能含義
apple	水果、公司、音樂、設備
jaguar	動物、汽車品牌、球隊
python	蛇、程式語言
java	咖啡、島嶼、程式語言

Category 可以降低雜訊。

Step 9：使用 search properties

gprop 常用於指定 Google property：

`gprop` value	Meaning
empty	Web Search
`images`	Image Search
`news`	News Search
`froogle`	Google Shopping
`youtube`	YouTube Search

範例：

# News interest
data = fetch_google_trends(
    query="AI regulation",
    data_type="TIMESERIES",
    geo="US",
    date="today 3-m",
    gprop="news"
)

# YouTube interest
data = fetch_google_trends(
    query="python tutorial",
    data_type="TIMESERIES",
    geo="US",
    date="today 12-m",
    gprop="youtube"
)

對 SEO 來說，這很重要。某個 topic 在 web search 上可能平穩，但在 YouTube 或 News 裡正在上升。

Step 10：完整 script

下面是一個完整範例，會收集 interest over time 和 related queries。

import os
import json
import requests
import pandas as pd
from typing import Any, Dict, List, Optional


TALORDATA_API_KEY = os.getenv("TALORDATA_API_KEY")
TALORDATA_SERP_ENDPOINT = os.getenv("TALORDATA_SERP_ENDPOINT")


def fetch_google_trends(
    query: str,
    data_type: str = "TIMESERIES",
    geo: str = "US",
    date: str = "today 12-m",
    cat: str = "0",
    tz: str = "420",
    gprop: Optional[str] = None
) -> Dict[str, Any]:
    if not TALORDATA_API_KEY:
        raise RuntimeError("Missing TALORDATA_API_KEY environment variable.")

    if not TALORDATA_SERP_ENDPOINT:
        raise RuntimeError("Missing TALORDATA_SERP_ENDPOINT environment variable.")

    payload = {
        "engine": "google_trends",
        "q": query,
        "data_type": data_type,
        "geo": geo,
        "date": date,
        "cat": cat,
        "tz": tz
    }

    if gprop:
        payload["gprop"] = gprop

    response = requests.post(
        TALORDATA_SERP_ENDPOINT,
        json=payload,
        headers={
            "Authorization": f"Bearer {TALORDATA_API_KEY}",
            "Content-Type": "application/json"
        },
        timeout=30
    )

    response.raise_for_status()
    return response.json()


def parse_interest_over_time(data: Dict[str, Any]) -> List[Dict[str, Any]]:
    timeline = data.get("interest_over_time", {}).get("timeline_data", [])
    rows = []

    for item in timeline:
        values = item.get("values", [])

        if not values:
            continue

        first_value = values[0]

        rows.append({
            "date": item.get("date"),
            "timestamp": item.get("timestamp"),
            "value": first_value.get("value"),
            "extracted_value": first_value.get("extracted_value")
        })

    return rows


def parse_related_queries(data: Dict[str, Any]) -> List[Dict[str, Any]]:
    related = data.get("related_queries", {})
    rows = []

    for group_name in ["top", "rising"]:
        for item in related.get(group_name, []):
            rows.append({
                "group": group_name,
                "query": item.get("query"),
                "value": item.get("value"),
                "extracted_value": item.get("extracted_value"),
                "link": item.get("link")
            })

    return rows


def main() -> None:
    query = "google trends api"

    trend_data = fetch_google_trends(
        query=query,
        data_type="TIMESERIES",
        geo="US",
        date="today 12-m"
    )

    trend_rows = parse_interest_over_time(trend_data)
    pd.DataFrame(trend_rows).to_csv("interest_over_time.csv", index=False)

    related_data = fetch_google_trends(
        query=query,
        data_type="RELATED_QUERIES",
        geo="US",
        date="today 12-m"
    )

    related_rows = parse_related_queries(related_data)
    pd.DataFrame(related_rows).to_csv("related_queries.csv", index=False)

    with open("raw_google_trends_response.json", "w", encoding="utf-8") as file:
        json.dump({
            "timeseries": trend_data,
            "related_queries": related_data
        }, file, ensure_ascii=False, indent=2)

    print("Saved interest_over_time.csv")
    print("Saved related_queries.csv")
    print("Saved raw_google_trends_response.json")


if __name__ == "__main__":
    main()

如何使用這些資料？

當 Google Trends data 變成 CSV 或 JSON 之後，可以放進很多流程：

Workflow	Trends data 如何幫助
SEO planning	優先做成長中的 topics
Content calendar	按季節需求安排文章
Competitor monitoring	比較品牌興趣
Product research	發現品類成長
Local marketing	選擇目標地區
AI agents	把 trend signals 餵給 planning tasks
RAG pipelines	把 trend snapshots 存成 structured context

範例內容流程：

Google Trends API
   ↓
Collect related rising queries
   ↓
Cluster queries by topic
   ↓
Check SERP competition
   ↓
Generate content brief
   ↓
Track performance over time

Trends data 不應該取代 keyword volume、ranking data 或 conversion data。它是一層訊號。用得好，它能在流量報表敲門前，提前告訴你注意力正在往哪裡跑。

常見錯誤

把 Trends values 當成 search volume

Google Trends values 是 indexed interest scores，不是實際搜尋次數。100 表示所選範圍內的最高相對熱度。

比較不同 requests 時不保存 context

一定要保存：

Context

Query

Geo

Date range

忽略 categories

語義模糊的詞需要 category，否則可能混入無關 intent。

只看 interest over time

Related queries 和 related topics 往往對 SEO 和 content planning 更可執行。

不保存 raw responses

建立 parser 時，請保存 raw JSON。欄位變化或 debug 時會很有用。

結語

使用 TalorData 抓取 Google Trends search results，本質上是把互動式 Trends 操作變成可重複的資料管線。

先從核心參數開始：

Parameter	Start with
`q`	Topic 或 keyword
`data_type`	`TIMESERIES`、`GEO_MAP`、`RELATED_QUERIES`、`RELATED_TOPICS`
`geo`	國家或地區
`date`	時間範圍
`cat`	類別
`gprop`	Web、news、images、shopping、YouTube
`tz`	Timezone offset

接著把 response 解析成乾淨表格：interest over time、regional interest、related queries 和 related topics。

資料一旦結構化，就可以支撐 SEO planning、market research、dashboards、alerts 和 AI agents。

Google Trends 是搜尋需求變成浪潮前的低語。好的 API workflow，能讓你提早聽見。立即免費測試Google Trends API

可以從 Google Trends 收集什麼？

基本請求結構

Step 1：準備 API key

Step 2：建立可重用 Python client

Step 3：取得 interest over time

Step 4：比較多個 keywords

Step 5：取得 interest by region

Step 6：取得 related queries

Step 7：取得 related topics

Step 8：使用 categories

Step 9：使用 search properties

Step 10：完整 script

如何使用這些資料？

常見錯誤

把 Trends values 當成 search volume

比較不同 requests 時不保存 context

忽略 categories

只看 interest over time

不保存 raw responses

結語

相關文章

立即開展您的數據業務