Wie man Google Maps in einem Land scrapt: Vollständiger Leitfaden 2025

Google Maps enthält 200 Millionen Einrichtungen. Jede Liste = Geschäftsdaten: Adresse, Telefon, E-Mail, Bewertungen, Öffnungszeiten, soziale Medien, verwendete Technologien.

Für einen Vertriebsleiter oder eine Agentur ist das eine Goldmine. Aber einige Hundert Leads zu scrapen, ist etwas anderes, als 50.000 oder 140.000 Unternehmen in einem ganzen Land zu scrapen.

Dieser Artikel zeigt Ihnen zwei Ansätze: die technische Methode (komplex, begrenzt) und die einfache Lösung (vollständig, schnell). Sie werden die realen Ergebnisse sehen, die Fallstricke, die es zu vermeiden gilt, und wie Sie je nach Ihrem Fall wählen können.

---

Warum Google Maps in einem Land scrapen?

Bevor wir in die Technik eintauchen, ändert das Verständnis des "Warum" alles.

Die realen Anwendungsfälle:

• B2B-Akquise: Eine SEO-Agentur sucht alle Klempner in einer Region, um ihre Dienstleistungen anzubieten. Anstatt sie manuell zu suchen (100+ Stunden), exportiert sie 5.000 Kontakte in 5 Minuten.
• Marktforschung: Analyse der lokalen Konkurrenz. Wie viele Restaurants gibt es in Paris? Wie ist die durchschnittliche Bewertung? Wie viele Bewertungen? Die Rohdaten beantworten diese Fragen.
• Lead-Generierung: Erstellen Sie eine Liste qualifizierter Interessenten. Filtern nach Bewertung (>4 Sterne), nach Vorhandensein einer Website, nach verwendeten Technologien.
• Geschäftsintelligenz: Identifizieren Sie schlecht bewertete Unternehmen (Möglichkeit für Reputationsdienste) oder gut bewertete (Kunden, die untersucht werden sollten).
• Datenanreicherung: Sie haben eine Liste von 10.000 Unternehmen. Sie suchen deren E-Mails, Telefone, soziale Medien, Google-Bewertungen. Google Maps hat all das.

Die Haupt-Herausforderung: Google Maps zeigt maximal 120 Ergebnisse pro Suche an. Um ein ganzes Land zu scrapen, müssen Sie diese Grenze umgehen.

---

Methode 1: Technisches Scraping mit Python und Octoparse

Beginnen wir mit der "Hauruck-Methode". Sie funktioniert, erfordert aber Zeit, technische Fähigkeiten und liefert begrenzte Ergebnisse.

Schritt 1: Erstellen Sie eine Liste von Gemeinden/Städten

Der Trick: Anstatt nach "Restaurant in Frankreich" zu suchen (direkt unmöglich), suchen Sie nach "Restaurant in Paris", "Restaurant in Lyon", "Restaurant in Marseille"... 36.000 Mal.

Dafür benötigen Sie zunächst eine umfassende Liste der französischen Gemeinden. Websites wie communes.com listen sie nach Departement auf.

Hier ist der Prozess:

1. Gehen Sie auf eine Website, die die Gemeinden auflistet (nach Departement)
2. Verwenden Sie ein Scraping-Tool (Octoparse, Apify, Selenium), um alle Namen + Postleitzahlen zu extrahieren
3. Sie erhalten eine CSV-Datei mit über 36.000 Zeilen

Geschätzte Zeit: 30-45 Minuten, um den Scraper einzurichten, 48 Minuten in der Cloud für die Ausführung.

Ergebnis: Eine Datei mit Namen der Gemeinden und Postleitzahlen.

Schritt 2: Einrichten des Google Maps Scrapers

Sobald die Liste der Gemeinden bereit ist, erstellen Sie eine Scraping-Vorlage für Google Maps.

Mit Octoparse:

1. Erstellen Sie eine "Aufgabe", die jede Gemeinde als Variable nimmt
2. Konfigurieren Sie den Scraper, um nach "Restaurant in [Gemeinde]" zu suchen
3. Extrahieren Sie die Felder: Name, Adresse, Telefon, Bewertung, Anzahl der Bewertungen, Öffnungszeiten
4. Fügen Sie Verzögerungen zwischen den Anfragen hinzu (2-5 Sekunden), um Blockierungen zu vermeiden

Wichtige Einschränkung: Octoparse ist auf 1.000 Ergebnisse pro Aufgabe beschränkt. Wenn Sie 36.000 Gemeinden haben, müssen Sie 36 Aufgaben erstellen.

Geschätzte Zeit: 2-3 Tage kontinuierliche Ausführung.

Schritt 3: Datenreinigung mit Python

Sobald das Scraping abgeschlossen ist, haben Sie Rohdaten. Diese müssen gereinigt werden.

Häufige Probleme:

• Dubletten (das gleiche Restaurant erscheint für mehrere Gemeinden)
• Inkonsistente Formatierung (Leerzeichen, Großbuchstaben, Sonderzeichen)
• Fehlende Daten (einige Restaurants haben keine Telefonnummer)
• Unvollständige Öffnungszeiten (nur der aktuelle Tag wird angezeigt)

Mit Python Pandas:

import pandas as pd

# Dateien laden
df1 = pd.read_csv('restaurants_1.csv')
df2 = pd.read_csv('restaurants_2.csv')

# Zusammenführen
df = pd.concat([df1, df2])

# Dubletten nach Name + Adresse entfernen
df = df.drop_duplicates(subset=['nom', 'adresse'])

# Exportieren
df.to_csv('restaurants_final.csv', index=False)

Geschätzte Zeit: 1-2 Stunden (je nach Volumen).

Ergebnisse der technischen Methode

Nach all dieser Arbeit erhalten Sie:

• 52.000 Restaurants (nach Entfernung der Dubletten)
• 7 Spalten: Kategorie, Name, Bewertung, Bewertungen, Adresse, Öffnungszeiten, Telefon
• Gesamtzeit: 3-4 Tage
• Erforderliche Fähigkeiten: Python, Scraping, Datenreinigung
• Wartung: Monatlich wiederholen (Google Maps ändert sich ständig)

Offensichtliche Einschränkungen:

• Keine E-Mails (Google Maps zeigt sie nicht direkt an)
• Keine sozialen Medien
• Keine verwendeten Technologien
• Unvollständige Öffnungszeiten (nur der aktuelle Tag)
• Keine Datenanreicherung
• Blockierungsrisiko (Google kann Sie auf die schwarze Liste setzen)

---

Methode 2: Einfache Lösung mit einer vorindexierten Datenbank

Jetzt die eigentliche Frage: Ist es wirklich notwendig zu scrapen?

Es gibt eine Alternative: Verwenden Sie eine vorindexierte Google Maps-Datenbank. Anstatt in Echtzeit zu scrapen (riskant, langsam, begrenzt), greifen Sie auf eine bereits indexierte, monatlich aktualisierte Datenbank mit über 5 Millionen Einrichtungen zu.

IBLead ist genau das.

Wie es funktioniert

1. Sie melden sich in der App an
2. Sie suchen nach Land, Region, Stadt, Kategorie
3. Sie wenden Filter an (Bewertung, Bewertungen, E-Mail, Website, Technologien)
4. Sie exportieren im CSV-Format

Kein Scraping, kein Code, kein Risiko.

Reale Ergebnisse: Restaurants in Frankreich

Mit derselben Suche (Restaurants Frankreich) sind hier die Ergebnisse:

• 139.170 Restaurants (vs. 52.000 mit der technischen Methode)
• 44 Datenkolonnen (vs. 7)
• Zeit: 2 Klicks, weniger als 5 Minuten
• Erforderliche Fähigkeiten: Keine

Die 44 Spalten umfassen:

• Basisdaten: Name, vollständige Adresse, Postleitzahl, Stadt, Region, Telefon
• Google Maps-Daten: Bewertung, Anzahl der Bewertungen, detaillierte Bewertungen (Text, Autor, Datum), ob die Liste beansprucht wurde oder nicht
• Kontakt: E-Mails (angereichert von der Website), Kontaktformulare
• Soziale Medien: Facebook, Instagram, YouTube, Twitter, LinkedIn
• Website: Titel, Meta-Beschreibung, erkannte Technologien (WordPress, Shopify usw.), Werbe-Pixels
• Öffnungszeiten: vollständige Tabelle (Montag-Sonntag), nicht nur der aktuelle Tag
• Fotos: Anzahl und URLs
• Preisspanne
• Bewertungen nach Note (wie viele 5 Sterne, 4 Sterne usw.)

Direkter Vergleich

Aspekt	Technische Methode	Vorindexierte Datenbank
Ergebnisse	52.000	139.170
Spalten	7	44
Zeit	3-4 Tage	5 Minuten
Fähigkeiten	Python, Scraping	Keine
E-Mails	Nein	Ja (angereichert)
Google-Bewertungen	Nur Anzahl	Vollständiger Text + Autor + Datum
Technologien	Nein	Ja (über 160 erkannt)
Wartung	Monatlich	Automatisch
Blockierungsrisiko	Hoch	Null
Preis	0€ (persönliche Zeit)	35-179€/Monat je nach Volumen

---

Wie man eine vorindexierte Datenbank nutzt: Praktische Schritte

Angenommen, Sie sind eine Digital Marketing-Agentur und suchen alle Restaurants in Paris mit einer Website, um Ihre SEO-Dienstleistungen anzubieten.

Schritt 1: Definieren Sie Ihre Suche

• Land: Frankreich
• Stadt: Paris (oder Region Île-de-France)
• Kategorie: Restaurants

Schritt 2: Filter anwenden

• Must have: Website (um SEO zu betreiben)
• Minimale Bewertung: 3,5 Sterne (ernsthafte Kunden)
• Minimale Anzahl an Bewertungen: 20 (etablierte Einrichtungen)
• Must have: E-Mail oder Kontaktformular

Schritt 3: Ergebnisse überprüfen

Bevor Sie exportieren, sehen Sie, wie viele Restaurants übereinstimmen. Beispiel: 2.340 Restaurants in Paris mit Website und Bewertung >3,5.

Schritt 4: Als CSV exportieren

Sie klicken auf "Exportieren" und erhalten eine Datei mit: - Name, Adresse, Telefon - E-Mail (angereichert von der Website) - Website - Soziale Medien - Google-Bewertung und -bewertungen - Technologien der Website (WordPress, WooCommerce usw.)

Schritt 5: Daten nutzen

Sie importieren die CSV in Ihr CRM oder Ihr E-Mail-Tool und starten Ihre Akquise-Kampagne.

Gesamtzeit: 15 Minuten (statt 3-4 Tage).

---

Erweiterte Filter: Spezifische Anwendungsfälle

Eine vorindexierte Datenbank ermöglicht Filter, die das technische Scraping nicht bieten kann.

Fall 1: Finden Sie Interessenten mit schlechter Reputation

Sie bieten einen Online-Reputationsmanagement-Service an.

Filter: - Kategorie: Hotels, Restaurants, Dienstleistungen - Google-Bewertung: <3 Sterne - Anzahl der Bewertungen: >50 (damit es signifikant ist)

Ergebnis: 5.000 schlecht bewertete französische Hotels = qualifizierte Interessenten für Ihren Service.

Fall 2: Zielen Sie auf die Nutzer eines Konkurrenten

Sie verkaufen eine Buchungsmanagement-Software.

Filter: - Kategorie: Restaurants - Erkannt Technologie: HubSpot (oder Salesforce oder jede andere konkurrierende CRM) - Region: Île-de-France

Ergebnis: 340 Restaurants nutzen bereits HubSpot = Interessenten, die für eine Migration kontaktiert werden können.

Fall 3: Finden Sie Unternehmen ohne Webpräsenz

Sie bieten die Erstellung von Websites an.

Filter: - Kategorie: Lokale Dienstleistungen (Klempner, Elektriker usw.) - Website: Nein - Region: Ganz Frankreich

Ergebnis: 45.000 Klempner ohne Website = riesiger Markt für Ihren Service.

Fall 4: Analysieren Sie die lokale Konkurrenz

Sie eröffnen ein Restaurant in Lyon.

Filter: - Kategorie: Restaurants - Stadt: Lyon - Preisspanne: Ähnlich wie Ihre - Sortieren nach: Bewertung (absteigend)

Ergebnis: Sie sehen die 20 besten Restaurants Ihres Segments = Benchmark für Ihr Menü, Preise, Service.

---

Vorteile einer vorindexierten Datenbank vs. Scraping in Echtzeit

1. Legalität und Konformität

Massives Scraping von Google Maps überschreitet (oder berührt) die gesetzlichen Grenzen. Die Google Maps ToS verbieten automatisiertes Scraping. Eine vorindexierte Datenbank erfüllt diese Bedingungen.

2. Stabilität der Daten

Wenn Sie scrapen, ändern sich die Daten ständig. Ein Restaurant schließt, ein anderes öffnet. Eine vorindexierte Datenbank wird monatlich aktualisiert = stabile und überprüfte Daten.

3. Automatische Anreicherung

Eine vorindexierte Datenbank reichert die Daten an: Sie extrahiert E-Mails von Websites, erkennt Technologien, ruft vollständige Bewertungen ab. Einfaches Scraping macht das nicht.

4. Keine Wartung

Beim Scraping müssen Sie Ihre Skripte jeden Monat neu starten, Blockierungen verwalten und Dubletten bereinigen. Mit einer vorindexierten Datenbank ist alles automatisch.

5. Support und Dokumentation

Eine vorindexierte Datenbank bietet Kunden-Support, Dokumentation und Updates. Beim DIY-Scraping sind Sie allein.

---

Häufige Fallen beim Scraping von Google Maps

Wenn Sie sich dennoch entscheiden zu scrapen, hier sind die Fallen, die es zu vermeiden gilt.

Falle 1: Blockierung durch Google

Google erkennt Scraper. Wenn Sie zu viele Anfragen zu schnell senden, werden Sie auf die schwarze Liste gesetzt. Ergebnis: Sie können für Tage nicht auf Google Maps zugreifen.

Lösung: Fügen Sie zufällige Verzögerungen (2-10 Sekunden) zwischen den Anfragen hinzu, verwenden Sie Proxys, respektieren Sie die robots.txt.

Falle 2: Unvollständige Daten

Google Maps zeigt die Daten schrittweise an. Öffnungszeiten, Fotos, Bewertungen = dynamisches Laden. Ein einfaches Scraping erfasst diese nicht.

Lösung: Verwenden Sie Selenium (das einen Browser simuliert) anstelle von rohen HTTP-Anfragen.

Falle 3: Dubletten und korrupte Daten

Die gleiche Einrichtung kann mehrmals erscheinen (mit Varianten von Namen, Adressen). Die Daten können inkonsistent sein (schlecht formatierte Öffnungszeiten usw.).

Lösung: Nach dem Scraping rigoros bereinigen (Deduplizierung, Validierung, Formatierung).

Falle 4: Grenze von 120 Ergebnissen

Google Maps zeigt maximal 120 Ergebnisse pro Suche an. Für ein ganzes Land müssen Tausende von Anfragen gestellt werden (eine pro Stadt).

Lösung: Deshalb dauert die technische Methode 3-4 Tage.

Falle 5: Obsolet Daten

Die gescrapten Daten werden schnell obsolet. Ein Restaurant schließt, eine E-Mail ändert sich. Sie müssen jeden Monat neu scrapen.

Lösung: Akzeptieren Sie, dass Ihre Daten niemals zu 100% aktuell sein werden.

---

Wann welche Methode nutzen

Verwenden Sie das technische Scraping, wenn:

• Sie Kenntnisse in Python/Scraping haben
• Sie sehr wenige Spalten benötigen (Name, Adresse, Telefon)
• Sie ein unbegrenztes Zeitbudget haben
• Sie die rechtlichen und technischen Risiken akzeptieren
• Sie einen sehr spezifischen Fall haben, der von einer bestehenden Datenbank nicht abgedeckt wird

Um ehrlich zu sein: Das ist selten.

Verwenden Sie eine vorindexierte Datenbank, wenn:

• Sie eine schnelle und zuverlässige Lösung suchen
• Sie E-Mails, soziale Medien, Bewertungen, Technologien benötigen
• Sie die Wartung nicht verwalten möchten
• Sie bereit sind zu zahlen (35-179€/Monat)
• Sie mit mehreren Ländern arbeiten

Das ist der Großteil der Fälle.

---

Reale Fälle: Messbare Ergebnisse

Fall 1: SEO-Agentur, die Klempner akquiriert

Vorher (manuelle Methode): - 100 Stunden, um 5.000 Klempner auf Google Maps zu suchen - Daten: nur Name, Adresse, Telefon - Antwortrate: 2% (E-Mails nicht gefunden)

Nachher (vorindexierte Datenbank): - 30 Minuten, um 5.000 Klempner zu exportieren - Daten: Name, Adresse, Telefon, E-Mail, Website, soziale Medien - Antwortrate: 8% (angereicherte E-Mails, personalisierte Akquise) - ROI: 400% Verbesserung der Antwortrate

Fall 2: Reputationsagentur, die Kunden findet

Vorher (keine Daten): - Unmöglich, schlecht bewertete Hotels zu finden - Zufällige Akquise

Nachher (Filter Bewertung <3 Sterne): - 5.000 automatisch identifizierte Hotels - Ultra-zielgerichtete Akquise - Conversion: 15% der kontaktierten Interessenten werden Kunden

Fall 3: Webagentur, die die Konkurrenz analysiert

Vorher (manuelle Recherche): - 50 Stunden, um die 50 besten Websites der Region zu analysieren - Analyse: Technologie, Design, Features

Nachher (vorindexierte Datenbank + Filter): - 30 Minuten, um die 500 besten Websites zu analysieren - Daten: automatisch erkannte Technologien - Insights: 40% nutzen WordPress, 20% WooCommerce, 10% Shopify

---

FAQ: Häufige Fragen

Q1: Ist es legal, Google Maps zu scrapen?

**Kurze Antwort**