如何使用 TalorData 抓取 Google Trends 搜索结果

了解如何使用 TalorData SERP API 抓取 Google Trends 搜索结果。本技术指南涵盖了查询参数、Python requests 请求、时间趋势、地区数据、相关查询、相关主题、CSV 导出以及常见错误。

Lila Montclair

最后更新于

2026-06-30

6 分钟阅读

Google Trends 很适合用来观察搜索需求的变化。它能帮你在排名、流量、销售或客服问题出现之前，先看到用户注意力正在往哪里移动。

对 SEO 和内容团队来说，它可以回答这些问题：

问题	为什么重要
这个主题是在增长还是衰退？	内容规划
哪个地区的兴趣更强？	Local SEO 和市场研究
哪些相关查询正在上升？	关键词发现
哪些 topics 和这个查询有关？	Topic clustering
需求是否有季节性？	Campaign planning
哪个产品或品牌正在获得关注？	Competitive monitoring

问题是，Google Trends 更像是一个互动界面，不是干净的数据管线。如果你要做重复采集、dashboard、alerts 或 AI workflows，手动查看 Trends 网站不够。

这时就需要 Google Trends SERP API workflow。

通过 TalorData，你可以在 SERP API layer 中请求 Google Trends data，设置 query、category、date range、location、search type 和 output options，并将结果解析成结构化数据。TalorData 的 Google Trends 参数指南列出 q 为必填搜索查询，并包含 category、date 等 Google Trends request 设置。

可以从 Google Trends 采集什么？

Google Trends data 和一般 Google Search ranking data 不一样。你不是在采集 title、URL、snippet、position 这类 organic results。

你采集的是趋势信号。

常见数据类型包括：

Data type	说明
Interest over time	搜索兴趣如何随时间变化
Interest by region	哪些地区更热门
Related queries	和关键词相关的搜索词
Related topics	和关键词相关的 topics
Rising queries	快速增长的查询
Top queries	最相关的热门查询

Google Trends 网站本身也将 Trends 定位为按时间、地点和热度探索搜索兴趣的工具。

常见技术场景包括：

使用场景	示例
SEO topic research	追踪 “AI agent workflow” 是否增长
Content planning	找 “Google Trends API” 的 rising questions
Market research	比较不同国家的需求
Product research	观察品牌或品类热度
Local strategy	看哪些地区更常搜索某主题
AI agents	让 agent 在写报告前先检测趋势

基本请求结构

实际 endpoint 和 authentication 格式，请以你的 TalorData dashboard 或 API docs 为准。

一个典型请求长这样：

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"
}

核心参数：

Parameter	Purpose
`engine`	选择 Google Trends
`q`	搜索查询
`date`	时间范围
`geo`	地理位置
`cat`	类别
`data_type`	返回哪一类 Trends data
`tz`	Timezone offset
`gprop`	搜索属性，例如 web、news、images、shopping、YouTube

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

Step 1：准备 API key

将 TalorData API key 和 endpoint 存成环境变量。

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"

安装 Python dependencies：

pip install requests pandas

Step 2：建立可复用 Python client

下面这个 function 会发送 Google Trends request 并返回 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：获取 interest over time

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

它可以回答：

问题	示例
需求是否增长？	“AI agents” 过去 12 个月是否上升
是否有季节性？	“Halloween costume” 每年 10 月是否上升
活动是否带来热度？	品牌词在发布后是否上升
热度是否衰退？	新闻周期后主题是否冷却

请求：

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

常见 response 会包含 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：比较多个 keywords

Google Trends 常常在比较关键词时更有价值。

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

适合比较：

Comparison	用途
Brand vs competitor	市场需求
Topic A vs topic B	内容优先级
Old term vs new term	语言变化
Product category vs feature	用户意图
Keyword variants	SEO targeting

注意：Trends values 通常是 indexed values，不是绝对搜索量。Google Search Central blog 说明，Trends data 反映的是 search interest，不是绝对数字。

所以 100 不等于 100 次搜索，而是所选范围内的最高相对热度。

Step 5：获取 interest by region

Regional data 可以告诉你某个 topic 在哪些地区更强。

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

适合：

使用场景	示例
Local SEO	哪些州更常搜索 “emergency plumber”？
Market expansion	哪里的 “EV charger installation” 正在增长？
Ad planning	哪些地区值得投放？
Content localization	不同国家用什么词？
Product demand	哪些地区品类需求更高？

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

因为不同 response structure 可能不同，建议先检查 raw response：

import json

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

先用小手电筒照一下洞口，后面就不容易在数据洞穴里撞墙。

Step 6：获取 related queries

Related queries 很适合做 keyword discovery。

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

常见分组：

Group	Meaning
Top	与查询最相关的搜索词
Rising	快速增长的搜索词

用途：

Workflow	用法
SEO keyword research	找 long-tail terms
Content planning	找文章主题
Product marketing	发现用户语言
Competitive research	观察相邻需求
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：获取 related topics

Related topics 适合处理语义模糊的词。

例如 “python” 可能是 programming language，也可能是 snake。Topic data 可以帮你理解查询周围的语义环境。

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

适合：

使用场景	示例
Entity SEO	理解 related entities
Topic clustering	建 content hubs
AI search	把 related topics 喂给 agent
Market research	发现相邻品类
Brand research	看品牌周围的 topics

Step 8：使用 categories

cat 参数可以按 category 限定查询。TalorData Google Trends 参数指南将 cat 列为 optional category parameter，默认值为 0，表示 all categories。

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

对语义模糊词很有用：

Query	可能含义
apple	水果、公司、音乐、设备
jaguar	动物、汽车品牌、球队
python	蛇、编程语言
java	咖啡、岛屿、编程语言

Category 可以降低噪声。

Step 9：使用 search properties

gprop 常用于指定 Google property：

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

示例：

# 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"
)

对 SEO 来说，这很重要。某个 topic 在 web search 上可能平稳，但在 YouTube 或 News 里正在上升。

Step 10：完整 script

下面是一个完整示例，会采集 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()

如何使用这些数据？

当 Google Trends data 变成 CSV 或 JSON 之后，可以放进很多流程：

Workflow	Trends data 如何帮助
SEO planning	优先做增长中的 topics
Content calendar	按季节需求安排文章
Competitor monitoring	比较品牌兴趣
Product research	发现品类增长
Local marketing	选择目标地区
AI agents	把 trend signals 喂给 planning tasks
RAG pipelines	把 trend snapshots 存成 structured context

示例内容流程：

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

Trends data 不应该取代 keyword volume、ranking data 或 conversion data。它是一层信号。用得好，它能在流量报表敲门前，提前告诉你注意力正在往哪里跑。

常见错误

把 Trends values 当成 search volume

Google Trends values 是 indexed interest scores，不是实际搜索次数。100 表示所选范围内的最高相对热度。

比较不同 requests 时不保存 context

一定要保存：

Context

Query

Geo

Date range

忽略 categories

语义模糊的词需要 category，否则可能混入无关 intent。

只看 interest over time

Related queries 和 related topics 往往对 SEO 和 content planning 更可执行。

不保存 raw responses

建立 parser 时，请保存 raw JSON。字段变化或 debug 时会很有用。

结语

使用 TalorData 抓取 Google Trends search results，本质上是把互动式 Trends 操作变成可重复的数据管线。

先从核心参数开始：

Parameter	Start with
`q`	Topic 或 keyword
`data_type`	`TIMESERIES`、`GEO_MAP`、`RELATED_QUERIES`、`RELATED_TOPICS`
`geo`	国家或地区
`date`	时间范围
`cat`	类别
`gprop`	Web、news、images、shopping、YouTube
`tz`	Timezone offset

接着把 response 解析成干净表格：interest over time、regional interest、related queries 和 related topics。

数据一旦结构化，就可以支撑 SEO planning、market research、dashboards、alerts 和 AI agents。

Google Trends 是搜索需求变成浪潮前的低语。好的 API workflow，能让你提前听见。立即免费测试Google Trends API

可以从 Google Trends 采集什么？

基本请求结构

Step 1：准备 API key

Step 2：建立可复用 Python client

Step 3：获取 interest over time

Step 4：比较多个 keywords

Step 5：获取 interest by region

Step 6：获取 related queries

Step 7：获取 related topics

Step 8：使用 categories

Step 9：使用 search properties

Step 10：完整 script

如何使用这些数据？

常见错误

把 Trends values 当成 search volume

比较不同 requests 时不保存 context

忽略 categories

只看 interest over time

不保存 raw responses

结语

相关文章

立即开展您的数据业务