Comment scraper Google Maps pays entier : guide complet

Google Maps contient des millions de fiches d'entreprises locales — adresses, téléphones, emails, notes, horaires. C'est une base de données commerciale gratuite, accessible à tous. Mais comment scraper Google Maps sur un pays entier sans passer des jours à coder ? Ce guide compare deux approches : la méthode technique (Python, Octoparse, pandas) et la méthode sans code via une base pré-indexée. Résultat : même objectif, mais des écarts de temps et de volume considérables.

---

Pourquoi Google Maps est une mine d'or pour la prospection B2B

Google Maps recense des centaines de millions d'établissements dans le monde. Chaque fiche contient des données structurées : nom, catégorie, adresse, téléphone, note, nombre d'avis, site web, horaires.

Pour un commercial, un growth marketer ou une agence, c'est un répertoire d'entreprises locales prêt à l'emploi. Le ciblage est précis : on cherche "plombier" en France, on obtient tous les plombiers référencés.

Le problème ? Extraire quelques centaines de fiches manuellement, c'est faisable. Extraire 50 000, 100 000 ou 140 000 fiches sur un pays entier, c'est une autre histoire.

---

La limite des 120 résultats sur Google Maps

Avant de parler méthode, il faut comprendre une contrainte technique fondamentale : Google Maps n'affiche que 120 résultats maximum par recherche.

Cherchez "restaurant Paris" sur Google Maps — vous obtenez 120 fiches, pas plus. Même si Paris compte des milliers de restaurants.

Pour scraper un pays entier, il faut donc découper la recherche en sous-zones géographiques. En France, ça signifie lancer une recherche par commune — soit environ 36 000 communes à traiter une par une.

C'est là que la méthode technique devient complexe.

---

Méthode 1 : scraper Google Maps avec des outils techniques

Cette approche convient aux profils techniques qui veulent tout contrôler. Elle se déroule en plusieurs étapes.

Étape 1 : récupérer la liste des communes

Impossible de lancer 36 000 recherches à la main. Il faut d'abord construire la liste de toutes les communes françaises.

Un site comme communes.fr répertorie l'ensemble des communes par département. On peut y créer un scraper — avec Octoparse, par exemple — pour extraire automatiquement les noms et codes postaux.

La configuration du scraper demande de créer deux boucles imbriquées :

• Une boucle sur les 101 départements
• Une boucle sur les communes de chaque département

Des expressions XPath permettent d'affiner la sélection des éléments HTML. Le nettoyage des données (suppression du mot "commune" devant chaque nom, formatage des codes postaux) se fait ensuite avec Python et la librairie pandas.

Temps d'exécution pour cette seule étape : 48 minutes en cloud, 1h05 en local. Résultat : environ 36 000 lignes réparties sur deux fichiers CSV (Excel ne dépasse pas 20 000 lignes par fichier).

Étape 2 : construire les keywords de recherche

La liste de communes ne suffit pas. Il faut transformer chaque commune en requête Google Maps.

"Belley" devient "restaurant à proximité de Belley". On ajoute un préfixe à chaque ligne. Avec pandas, quelques lignes de code suffisent — mais il faut d'abord fusionner les deux fichiers CSV, supprimer les doublons, puis appliquer la transformation.

import pandas as pd

df1 = pd.read_csv("communes_part1.csv")
df2 = pd.read_csv("communes_part2.csv")
df = pd.concat([df1, df2]).drop_duplicates(subset=["commune"])
df["keyword"] = "restaurant à proximité de " + df["commune"]
df.to_csv("keywords.csv", index=False)

Étape 3 : lancer le scraping Google Maps

Avec la liste de keywords prête, on utilise un template Octoparse pour scraper Google Maps. On insère les keywords, on définit un page size (nombre de résultats par recherche), et on lance.

Contrainte : Octoparse est limité à 10 000 keywords par tâche. Pour 36 000 communes, il faut créer 4 tâches distinctes.

Temps d'exécution total : 2 jours et 15 heures.

Étape 4 : nettoyer et fusionner les résultats

Quatre tâches produisent quatre fichiers. Il faut les fusionner, puis supprimer les doublons — non pas sur toutes les colonnes, mais sur le nom de l'établissement et sa localisation (un même restaurant peut apparaître dans plusieurs recherches de communes voisines).

Résultats de la méthode technique

Pour les restaurants en France entière :

Indicateur	Résultat
Lignes brutes	68 389
Après déduplication	52 658
Colonnes	7
Temps total	~3 jours

Les 7 colonnes obtenues : catégorie, titre, note, nombre d'avis, localisation, horaires d'ouverture (premier créneau seulement), téléphone.

Pas d'email. Pas de site web. Pas de réseaux sociaux. Les horaires sont incomplets — on récupère uniquement le premier créneau affiché, pas la grille complète de la semaine.

---

Les limites réelles de la méthode technique

Soyons directs sur ce que cette méthode ne fait pas.

Pas d'enrichissement. Les données brutes de Google Maps ne contiennent pas les emails. Pour les obtenir, il faudrait visiter chaque site web individuellement — une étape supplémentaire qui multiplie le temps de traitement.

Données incomplètes. Les horaires d'ouverture, les photos, les avis détaillés, les réseaux sociaux : rien de tout ça n'est extrait proprement avec un scraper générique.

Maintenance constante. Google modifie régulièrement la structure de ses pages. Un scraper qui fonctionne aujourd'hui peut être cassé dans 3 semaines. Il faut surveiller, corriger, relancer.

Compétences requises. Python, pandas, XPath, gestion des environnements virtuels, manipulation de fichiers CSV volumineux. Ce n'est pas à la portée de tout le monde.

Risque de blocage. Google détecte les comportements automatisés. Sans rotation de proxies et gestion des délais, le scraper se fait bloquer.

---

Méthode 2 : une base pré-indexée pour exporter en quelques minutes

L'alternative à la méthode technique, c'est d'utiliser une base de données déjà construite. C'est le principe d'IBLead.

IBLead a déjà scraipé et indexé 50M+ businesses Google Maps dans 37 pays. Tout est pré-traité, enrichi, et mis à jour chaque semaine. L'utilisateur ne scrape pas — il filtre et exporte.

Comment ça fonctionne concrètement

1. Choisir une catégorie (ex : "restaurant")
2. Sélectionner la zone géographique — ville, département, région, ou pays entier
3. Appliquer des filtres
4. Exporter en CSV

Pas de code. Pas d'attente de plusieurs jours. L'export est instantané.

Les filtres disponibles

IBLead permet de filtrer par :

• Note Google : cibler uniquement les établissements avec 4+ étoiles, ou au contraire les mal notés (opportunité commerciale)
• Nombre d'avis : distinguer les établissements établis des nouveaux entrants
• Présence d'un site web : indispensable pour proposer des services digitaux
• Présence d'un email : pour les campagnes d'emailing direct
• Technologies détectées : 160+ technologies analysées — CMS (WordPress, Shopify, Wix), pixels publicitaires (Facebook Pixel, Google Ads), outils d'emailing (Mailchimp, HubSpot), solutions de paiement (Stripe, PayPal)
• Numéro de téléphone : mobile ou fixe
• Fiche revendiquée ou non sur Google Maps

Ce dernier filtre est particulièrement utile pour les agences : une fiche non revendiquée signale un propriétaire qui ne gère pas activement sa présence en ligne — une porte d'entrée pour proposer des services.

Les données incluses dans chaque export

Là où la méthode technique produit 7 colonnes, IBLead exporte 50+ champs par fiche :

• Nom, adresse complète, téléphone (mobile/fixe distingués), email enrichi depuis le site web
• Site web, catégories Google Maps, note moyenne, nombre d'avis
• Avis Google : texte complet, note, date, auteur — jusqu'à 500 avis par fiche
• Réseaux sociaux (Facebook, Instagram, YouTube, LinkedIn, Twitter)
• Horaires complets (7 jours), photos, coordonnées GPS
• Technologies détectées (160+ technologies)
• Google Place ID, CID
• SIRET, SIREN, code APE, nom du dirigeant (France uniquement)

Résultats comparés

Pour les restaurants en France entière :

Indicateur	Méthode technique	IBLead
Lignes	52 658	~140 000
Colonnes	7	50+
Emails	Non	Oui
Technologies	Non	Oui (160+)
Avis détaillés	Non	Oui (jusqu'à 500)
Temps	~3 jours	Quelques minutes
Compétences requises	Python, XPath, pandas	Aucune

Ce que ça coûte

44€ pour 10 000 leads — soit 0,004€ par contact enrichi avec email, technologies, avis et données SIRET.

Pour tester, IBLead propose un bonus de 200 crédits inclus (sans carte bancaire).

---

Cas d'usage : qui a besoin de scraper un pays entier ?

Les agences digitales

Une agence qui prospecte des restaurants sans site web ou avec un mauvais référencement a besoin d'un volume important. Filtrer par "pas de site web" ou "technologies obsolètes" sur toute la France produit des listes de plusieurs milliers de prospects qualifiés.

Les éditeurs de logiciels SaaS

Un SaaS ciblant les coiffeurs, les plombiers ou les avocats peut extraire l'ensemble du marché adressable en France en quelques minutes. Filtrer par technologie permet même d'identifier les prospects qui utilisent déjà un concurrent.

Les commerciaux terrain

Un commercial qui couvre une région peut extraire tous les prospects d'un département, filtrer par note et nombre d'avis, et obtenir une liste priorisée en 5 minutes.

Les growth marketers

Construire une liste de 50 000 prospects enrichis avec emails pour une campagne cold email, c'est le cas d'usage central. Le CSV s'importe directement dans Lemlist, Instantly ou tout autre outil d'emailing.

---

Légalité du scraping Google Maps

La question revient souvent. Voici ce qu'il faut savoir.

Les données présentes sur Google Maps sont publiques. N'importe qui peut les consulter manuellement. Le scraping automatisé de données publiques est généralement considéré comme légal dans la plupart des juridictions européennes.

En revanche, les conditions d'utilisation de Google interdisent le scraping automatisé de leurs services. C'est une distinction importante : légal au sens du droit, mais potentiellement contraire aux CGU de Google.

Pour les bases pré-indexées comme IBLead, la question du scraping en temps réel ne se pose pas — les données sont déjà collectées et stockées.

Sur le RGPD : les données de contact d'entreprises (email professionnel, téléphone professionnel) sont considérées comme des données B2B, distinctes des données personnelles au sens strict. La prospection B2B par email reste autorisée sous conditions (opt-out disponible, pertinence du message).

---

FAQ : scraper Google Maps sur un pays entier

Combien de temps faut-il pour scraper Google Maps sur un pays entier avec Python ?

Avec Octoparse et pandas, comptez environ 3 jours de traitement pour extraire ~52 000 restaurants en France. Cela inclut la récupération des communes (1h), la construction des keywords, 4 tâches de scraping (2 jours 15h chacune en parallèle), et le nettoyage des données.

Pourquoi Google Maps limite-t-il à 120 résultats par recherche ?

C'est une limite technique imposée par Google pour éviter la surcharge de leurs serveurs et décourager le scraping massif. Pour contourner cette limite, il faut multiplier les recherches géographiques — une par commune, par exemple.

Peut-on scraper Google Maps sans coder ?

Oui. Des bases pré-indexées comme IBLead permettent d'exporter des milliers de fiches sans écrire une ligne de code. On filtre par catégorie, zone géographique et critères de qualité, puis on exporte en CSV.

Quelles données peut-on extraire de Google Maps ?

Avec un scraper technique : nom, note, nombre d'avis, localisation, téléphone, premier créneau horaire. Avec une base enrichie : nom, adresse, téléphone, email, site web, réseaux sociaux, horaires complets, avis détaillés, technologies du site, données légales (SIRET, dirigeant pour la France).

Combien coûte l'extraction de 10 000 leads Google Maps ?

Avec IBLead : 44€ pour 10 000 leads enrichis. Avec la méthode technique : gratuit en théorie, mais plusieurs jours de travail et des données moins complètes (pas d'emails, pas de technologies).

---

Conclusion

Scraper Google Maps sur un pays entier est techniquement possible avec Python, Octoparse et pandas. Mais le coût réel — en temps, en compétences et en qualité des données — est élevé. Trois jours de traitement pour 52 000 lignes et 7 colonnes, sans emails ni technologies.

Une base pré-indexée produit 140 000 lignes et 50+ colonnes en quelques minutes, avec enrichissement inclus.

Le choix dépend de vos ressources. Si vous avez un développeur disponible et un besoin ponctuel très spécifique, la méthode technique peut fonctionner. Si vous avez besoin de volume, de régularité et de données enrichies, une base pré-indexée est plus efficace.

Pour tester IBLead sur votre secteur et votre pays cible : Commencez gratuitement — 200 crédits, sans carte