Automatisation Google Sheets avec n8n : extraction et résumé de données
Ce workflow n8n a pour objectif d'automatiser l'extraction et le résumé des données de Google Trends en utilisant Bright Data et Google Gemini. Dans un contexte où les entreprises cherchent à analyser les tendances du marché pour prendre des décisions éclairées, ce workflow s'avère particulièrement utile pour les équipes marketing et les analystes de données. En intégrant des outils puissants comme Google Gemini, ce processus permet de transformer des données brutes en informations exploitables rapidement et efficacement. Étape 1 : Le workflow débute par un déclencheur manuel qui permet à l'utilisateur de tester le flux à la demande. Étape 2 : Ensuite, des notes autocollantes sont créées pour organiser les informations. Étape 3 : Le texte est ensuite extrait et préparé pour l'analyse à l'aide du nœud 'Markdown to Textual Data Extractor'. Étape 4 : Une requête HTTP est initiée pour notifier le système de l'extraction de données. Étape 5 : Le modèle de chat Google Gemini est utilisé pour extraire les données pertinentes. Étape 6 : Les données sont ensuite structurées et résumées avant d'être envoyées par email via Gmail. Ce processus permet de gagner un temps précieux et d'améliorer la précision des analyses de données. Les bénéfices business de ce workflow incluent une réduction significative du temps consacré à la collecte et à l'analyse des données, permettant ainsi aux équipes de se concentrer sur des tâches à plus forte valeur ajoutée. En automatisant ces processus, les entreprises peuvent également minimiser les erreurs humaines et améliorer la qualité des insights générés. Tags clés : automatisation, Google Sheets, Google Trends.
Vue d'ensemble du workflow n8n
Schéma des nœuds et connexions de ce workflow n8n, généré à partir du JSON n8n.
Détail des nœuds du workflow n8n
Inscris-toi pour voir l'intégralité du workflow
Inscription gratuite
S'inscrire gratuitementBesoin d'aide ?{
"id": "9Or3kzIEI2tskRyR",
"meta": {
"instanceId": "885b4fb4a6a9c2cb5621429a7b972df0d05bb724c20ac7dac7171b62f1c7ef40",
"templateCredsSetupCompleted": true
},
"name": "Google Trend Data Extract, Summarization with Bright Data & Google Gemini",
"tags": [
{
"id": "Kujft2FOjmOVQAmJ",
"name": "Engineering",
"createdAt": "2025-04-09T01:31:00.558Z",
"updatedAt": "2025-04-09T01:31:00.558Z"
},
{
"id": "ddPkw7Hg5dZhQu2w",
"name": "AI",
"createdAt": "2025-04-13T05:38:08.053Z",
"updatedAt": "2025-04-13T05:38:08.053Z"
}
],
"nodes": [
{
"id": "29e6ce01-c42f-4155-add1-8a5cfff56967",
"name": "When clicking ‘Test workflow’",
"type": "n8n-nodes-base.manualTrigger",
"position": [
200,
-420
],
"parameters": {},
"typeVersion": 1
},
{
"id": "6abf0439-8286-4198-9b5e-226a7bf805dc",
"name": "Sticky Note",
"type": "n8n-nodes-base.stickyNote",
"position": [
200,
-780
],
"parameters": {
"width": 400,
"height": 300,
"content": "## Note\n\nThis workflow deals with the structured data extraction by utilizing Bright Data Web Unlocker Product.\n\nThe Basic LLM Chain, Information Extraction, Summarization Chain are being used to demonstrate the usage of the N8N AI capabilities.\n\n**Please make sure to set the web URL of your interest within the \"Set URL and Bright Data Zone\" node and update the Webhook Notification URL**"
},
"typeVersion": 1
},
{
"id": "6443bdea-4577-4983-adb7-0f52d6eb3825",
"name": "Sticky Note1",
"type": "n8n-nodes-base.stickyNote",
"position": [
620,
-780
],
"parameters": {
"width": 480,
"height": 300,
"content": "## LLM Usages\n\nGoogle Gemini Flash Exp model is being used.\n\nBasic LLM Chain Data Extractor.\n\nInformation Extraction is being used for the handling the structured data extraction.\n\nSummarization Chain is being used for building the summary."
},
"typeVersion": 1
},
{
"id": "31280203-1ab1-4fb5-862f-e9c4f2969436",
"name": "Markdown to Textual Data Extractor",
"type": "@n8n/n8n-nodes-langchain.chainLlm",
"position": [
860,
-420
],
"parameters": {
"text": "=You need to analyze the below markdown and convert to textual data. Please do not output with your own thoughts. Make sure to output with textual data only with no links, scripts, css etc.\n\n{{ $json.data }}",
"messages": {
"messageValues": [
{
"message": "You are a markdown expert"
}
]
},
"promptType": "define"
},
"typeVersion": 1.6
},
{
"id": "80e40926-aff3-4512-ad1e-61b3741b2387",
"name": "Set URL and Bright Data Zone",
"type": "n8n-nodes-base.set",
"position": [
420,
-420
],
"parameters": {
"options": {},
"assignments": {
"assignments": [
{
"id": "3aedba66-f447-4d7a-93c0-8158c5e795f9",
"name": "url",
"type": "string",
"value": "https://trends.google.com/trends/explore?gprop=youtube&hl=en-US"
},
{
"id": "4e7ee31d-da89-422f-8079-2ff2d357a0ba",
"name": "zone",
"type": "string",
"value": "web_unlocker1"
}
]
}
},
"typeVersion": 3.4
},
{
"id": "a60b2ac6-42c9-42af-a7fe-9cf570fcd017",
"name": "Initiate a Webhook Notification for Markdown to Textual Data Extraction",
"type": "n8n-nodes-base.httpRequest",
"position": [
1320,
-720
],
"parameters": {
"url": "https://webhook.site/3c36d7d1-de1b-4171-9fd3-643ea2e4dd76",
"options": {},
"sendBody": true,
"bodyParameters": {
"parameters": [
{
"name": "content",
"value": "={{ $json.text }}"
}
]
}
},
"typeVersion": 4.2
},
{
"id": "c8f9b2ad-8e66-43d0-aeb5-3f5e202910d3",
"name": "Google Gemini Chat Model for Data Extract",
"type": "@n8n/n8n-nodes-langchain.lmChatGoogleGemini",
"position": [
948,
-200
],
"parameters": {
"options": {},
"modelName": "models/gemini-2.0-flash-exp"
},
"credentials": {
"googlePalmApi": {
"id": "YeO7dHZnuGBVQKVZ",
"name": "Google Gemini(PaLM) Api account"
}
},
"typeVersion": 1
},
{
"id": "30d3b080-d35a-422d-990d-0df0d73b96a8",
"name": "Perform Bright Data Web Request",
"type": "n8n-nodes-base.httpRequest",
"position": [
640,
-420
],
"parameters": {
"url": "https://api.brightdata.com/request",
"method": "POST",
"options": {},
"sendBody": true,
"sendHeaders": true,
"authentication": "genericCredentialType",
"bodyParameters": {
"parameters": [
{
"name": "zone",
"value": "={{ $json.zone }}"
},
{
"name": "url",
"value": "={{ $json.url }}?product=unlocker&method=api"
},
{
"name": "format",
"value": "raw"
},
{
"name": "data_format",
"value": "markdown"
}
]
},
"genericAuthType": "httpHeaderAuth",
"headerParameters": {
"parameters": [
{}
]
}
},
"credentials": {
"httpHeaderAuth": {
"id": "kdbqXuxIR8qIxF7y",
"name": "Header Auth account"
}
},
"typeVersion": 4.2
},
{
"id": "18acbc0a-f0e2-4f5b-b98c-dec69c656a7e",
"name": "Create a binary data",
"type": "n8n-nodes-base.function",
"position": [
1980,
-640
],
"parameters": {
"functionCode": "items[0].binary = {\n data: {\n data: new Buffer(JSON.stringify(items[0].json, null, 2)).toString('base64')\n }\n};\nreturn items;"
},
"typeVersion": 1
},
{
"id": "1c386966-85ae-4b30-a485-259f1eb0727b",
"name": "Structured Data Extractor",
"type": "@n8n/n8n-nodes-langchain.informationExtractor",
"position": [
1280,
-420
],
"parameters": {
"text": "=Extract the Google Trend Data in JSON.\n\nHere's the content:\n\n {{ $json.text }}",
"options": {},
"schemaType": "manual",
"inputSchema": "{\n\t\"type\": \"array\",\n\t\"properties\": {\n\t\t\"topics\": {\n\t\t\t\"type\": \"string\"\n\t\t},\"desc\": {\n\t\t\t\"type\": \"string\"\n\t\t}\n\t}\n}"
},
"typeVersion": 1
},
{
"id": "aa7b5dd7-53c7-4197-b2e8-886832cad82e",
"name": "Summarize Google Trends",
"type": "@n8n/n8n-nodes-langchain.chainSummarization",
"position": [
1760,
-420
],
"parameters": {
"options": {},
"chunkingMode": "advanced"
},
"typeVersion": 2
},
{
"id": "25f0a115-ba3a-4ec6-8fe6-8e33e6302a2b",
"name": "Initiate a Webhook Notification for Summarization",
"type": "n8n-nodes-base.httpRequest",
"position": [
2200,
-420
],
"parameters": {
"url": "https://webhook.site/3c36d7d1-de1b-4171-9fd3-643ea2e4dd76",
"options": {},
"sendBody": true,
"bodyParameters": {
"parameters": [
{
"name": "content",
"value": "={{ $json.response.text }}"
}
]
}
},
"typeVersion": 4.2
},
{
"id": "50b55d73-5506-439c-8e82-e198f3b4f431",
"name": "Write the file to disk",
"type": "n8n-nodes-base.readWriteFile",
"position": [
2200,
-640
],
"parameters": {
"options": {},
"fileName": "d:\\google-trends.json",
"operation": "write"
},
"typeVersion": 1
},
{
"id": "a163f8d3-2b5c-48a5-8a1d-26c0caba6383",
"name": "Google Gemini Chat Model for Summarization",
"type": "@n8n/n8n-nodes-langchain.lmChatGoogleGemini",
"position": [
1860,
-200
],
"parameters": {
"options": {},
"modelName": "models/gemini-2.0-flash-exp"
},
"credentials": {
"googlePalmApi": {
"id": "YeO7dHZnuGBVQKVZ",
"name": "Google Gemini(PaLM) Api account"
}
},
"typeVersion": 1
},
{
"id": "9e3db8e9-ad4c-4247-841e-1f5f4937b93c",
"name": "Google Gemini Chat Model for Structured Data Extract",
"type": "@n8n/n8n-nodes-langchain.lmChatGoogleGemini",
"position": [
1380,
-200
],
"parameters": {
"options": {},
"modelName": "models/gemini-2.0-flash-exp"
},
"credentials": {
"googlePalmApi": {
"id": "YeO7dHZnuGBVQKVZ",
"name": "Google Gemini(PaLM) Api account"
}
},
"typeVersion": 1
},
{
"id": "122d3269-e932-48e0-af01-e2c421650e16",
"name": "Send Summary to Gmail",
"type": "n8n-nodes-base.gmail",
"position": [
2200,
-160
],
"webhookId": "a57ca2f7-42dc-4ee9-808d-85455bb7c12f",
"parameters": {
"sendTo": "ranjancse@gmail.com",
"message": "={{ $json.response.text }}",
"options": {},
"subject": "Google Trends Summary"
},
"credentials": {
"gmailOAuth2": {
"id": "WiMjt9PIpypF2dJF",
"name": "Gmail account"
}
},
"typeVersion": 2.1
}
],
"active": false,
"pinData": {},
"settings": {
"executionOrder": "v1"
},
"versionId": "bc73fbca-1218-47bd-93cf-b308b424894d",
"connections": {
"Create a binary data": {
"main": [
[
{
"node": "Write the file to disk",
"type": "main",
"index": 0
}
]
]
},
"Write the file to disk": {
"main": [
[]
]
},
"Summarize Google Trends": {
"main": [
[
{
"node": "Initiate a Webhook Notification for Summarization",
"type": "main",
"index": 0
},
{
"node": "Send Summary to Gmail",
"type": "main",
"index": 0
}
]
]
},
"Structured Data Extractor": {
"main": [
[
{
"node": "Create a binary data",
"type": "main",
"index": 0
},
{
"node": "Summarize Google Trends",
"type": "main",
"index": 0
}
]
]
},
"Set URL and Bright Data Zone": {
"main": [
[
{
"node": "Perform Bright Data Web Request",
"type": "main",
"index": 0
}
]
]
},
"Perform Bright Data Web Request": {
"main": [
[
{
"node": "Markdown to Textual Data Extractor",
"type": "main",
"index": 0
}
]
]
},
"When clicking ‘Test workflow’": {
"main": [
[
{
"node": "Set URL and Bright Data Zone",
"type": "main",
"index": 0
}
]
]
},
"Markdown to Textual Data Extractor": {
"main": [
[
{
"node": "Initiate a Webhook Notification for Markdown to Textual Data Extraction",
"type": "main",
"index": 0
},
{
"node": "Structured Data Extractor",
"type": "main",
"index": 0
}
]
]
},
"Google Gemini Chat Model for Data Extract": {
"ai_languageModel": [
[
{
"node": "Markdown to Textual Data Extractor",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"Google Gemini Chat Model for Summarization": {
"ai_languageModel": [
[
{
"node": "Summarize Google Trends",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"Google Gemini Chat Model for Structured Data Extract": {
"ai_languageModel": [
[
{
"node": "Structured Data Extractor",
"type": "ai_languageModel",
"index": 0
}
]
]
}
}
}Pour qui est ce workflow ?
Ce workflow s'adresse principalement aux équipes marketing, aux analystes de données et aux entreprises qui souhaitent automatiser l'extraction et l'analyse des données de Google Trends. Il est adapté aux utilisateurs ayant un niveau technique intermédiaire et peut être utilisé par des entreprises de toutes tailles.
Problème résolu
Ce workflow résout le problème de la collecte manuelle des données de Google Trends, qui peut être chronophage et sujette à des erreurs. En automatisant ce processus, les utilisateurs peuvent obtenir des résumés précis et rapides des tendances du marché, ce qui leur permet de prendre des décisions stratégiques basées sur des données fiables. Cela réduit également le risque d'erreurs humaines et améliore l'efficacité opérationnelle.
Étapes du workflow
Étape 1 : Le workflow commence par un déclencheur manuel qui permet de tester le flux. Étape 2 : Des notes autocollantes sont créées pour organiser les informations. Étape 3 : Le texte est extrait grâce au nœud 'Markdown to Textual Data Extractor'. Étape 4 : Une notification est envoyée via une requête HTTP pour signaler l'extraction. Étape 5 : Le modèle Google Gemini est utilisé pour extraire les données pertinentes. Étape 6 : Les données sont structurées et résumées. Étape 7 : Enfin, les résultats sont envoyés par email via Gmail.
Guide de personnalisation du workflow n8n
Pour personnaliser ce workflow, vous pouvez modifier l'URL de la requête HTTP pour l'adapter à vos besoins spécifiques. Il est également possible de changer les paramètres du modèle Google Gemini pour ajuster le type de données à extraire. Pensez à adapter les paramètres d'envoi d'email dans le nœud Gmail pour cibler les bonnes adresses. Enfin, vous pouvez intégrer d'autres outils ou services en ajoutant des nœuds supplémentaires selon vos besoins.