Att kopiera Product Hunt-detaljer till ett kalkylblad låter enkelt. Sedan gör du det 30 gånger, missar ett fält, klistrar in fel länk och slutar med att “fixa arket” i stället för att faktiskt lära dig något.
Den här automatiseringen för Product Hunt Sheets slår hårdast mot marknadsförare under lanseringsresearch, men byråägare som bygger konkurrenttrackers och operatörer som håller en löpande verktygslista känner samma friktion. Utfallet är enkelt: felfria, konsekventa produktfält i ditt ark utan tabbhoppande.
Du får se hur workflowet hämtar en Product Hunt-sida, plockar ut data som gömmer sig i inline-skript, använder AI för att strukturera den och returnerar tillförlitlig JSON som du kan logga till Google Sheets eller Excel.
Så fungerar automatiseringen
Hela n8n-workflowet, från trigger till slutligt resultat:
n8n Workflow Template: Product hunt till google sheets, research loggad rensad
flowchart LR
subgraph sg0["LLM Script Processor Flow"]
direction LR
n0["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/webhook.dark.svg' width='40' height='40' /></div><br/>Incoming Product Webhook"]
n1["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Retrieve Product Markup"]
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Parse Embedded Scripts"]
n3@{ icon: "mdi:robot", form: "rounded", label: "LLM Script Processor", pos: "b", h: 48 }
n4@{ icon: "mdi:brain", form: "rounded", label: "Gemini Script Review", pos: "b", h: 48 }
n5@{ icon: "mdi:robot", form: "rounded", label: "Structure Product JSON", pos: "b", h: 48 }
n6["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/webhook.dark.svg' width='40' height='40' /></div><br/>Return JSON Reply"]
n1 --> n2
n2 --> n3
n3 --> n6
n0 --> n1
n5 -.-> n3
n4 -.-> n3
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n3,n5 ai
class n4 aiModel
class n0,n1,n6 api
class n2 code
classDef customIcon fill:none,stroke:none
class n0,n1,n2,n6 customIcon
Problemet: Product Hunt-research blir röriga kalkylblad
Marknadsresearch faller ofta på den tråkiga delen: att samla in konsekvent data. Du öppnar ett Product Hunt-inlägg, hämtar namn, tagline, webbplats, makers, topics, kanske score och kommentarer, och klistrar sedan in det i ett ark. Nästa produkt. Nästa flik. Efter ett tag glider fälten. En rad har “Website” som full URL, en annan bara domänen, en tredje har Product Hunt-inläggets URL i fel kolumn. Det värsta är att du inte märker det förrän du redan bygger en lista, skriver en sammanfattning eller förbereder en lanseringsplan.
Det växer snabbt. Här är var det brukar haverera i verkligheten.
- Manuell kopiera/klistra över 10+ fält per produkt skapar små fel som förstör filtrering senare.
- Du tappar tid på att hoppa mellan Product Hunt, ditt ark och anteckningar bara för att få med grunderna.
- Olika personer loggar data på olika sätt, vilket gör “en felfri lista” i princip omöjlig.
- När Product Hunt-sidor förändras slutar dina gamla scraping-bokmärken och snabba hacks att fungera.
Lösningen: gör en Product Hunt-slug till strukturerade fält
Det här workflowet ger dig en enkel input (ett produktnamn/slug som skickas till en webhook) och en pålitlig output (strukturerad JSON som du kan skriva in i Google Sheets). Det startar när du skickar en request som ?product=epigram. n8n hämtar Product Hunt-sidans HTML och extraherar sedan inline-skripten som innehåller den data Product Hunt använder för att rendera inlägget. I stället för att förlita sig på sköra sidselektorer ber workflowet en AI-modell att tolka dessa skript och plocka ut fälten du faktiskt bryr dig om. En andra AI-pass (Gemini) förfinar extraktionen, och därefter formateras allt till ett strikt JSON-schema så att samma kolumner fylls på samma sätt varje gång.
Workflowet börjar med en inkommande webhook och en HTTP-hämtning till Product Hunt. AI gör sedan “stökig inbäddad data” till konsekventa fält. Till sist returnerar n8n ett felfritt JSON-svar som du kan mappa direkt till Google Sheets (eller skicka vidare till ett annat workflow som skriver raden).
Det här får du: automatisering vs. resultat
| Det här automatiserar workflowet | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du bygger en konkurrentlista med 30 produkter inför en kvartalsvis uppdatering av positioneringen. Manuellt, om du lägger cirka 5 minuter per produkt på att öppna sidan, hitta rätt fält och klistra in dem korrekt, blir det ungefär 2,5 timmar (och du kommer fortfarande ha inkonsekvenser). Med det här workflowet skickar du 30 slugs till webhooken och varje körning returnerar normalt strukturerad data på cirka 6 sekunder. Även med viss väntan och granskning blir de flesta team klara med listan på under 30 minuter.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger funkar bra)
- Product Hunt (publika sidor) som researchkälla att extrahera från.
- Google Sheets för att lagra rader till researchlistor.
- OpenAI API-nyckel (hämta den i din OpenAI API-dashboard)
Svårighetsnivå: Medel. Du konfigurerar credentials och mappar JSON-fält till ditt ark, men du bygger ingen app.
Vill du inte sätta upp det själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
En webhook tar emot produkten du vill hämta. Du skickar en request till din n8n-webhook med en enkel parameter (till exempel Product Hunt-slugen). Den enda inputen räcker för att starta hela uppslaget.
Workflowet hämtar innehållet från Product Hunt-sidan. n8n bygger rätt URL och laddar ner rå HTML. Ingen browser-automation behövs, vilket gör det snabbt och billigt.
Inline-skript extraheras och tolkas. Ett kodsteg plockar ut script-block från sidhuvudet, och sedan analyserar AI-stegen skriptdata för att hitta de faktiska produktfälten (namn, tagline, makers, scores, topics, URL:er med mera). Den här metoden är mer robust när sidlayouten ändras.
Strukturerad JSON returneras för loggning. Workflowet formaterar allt till ett definierat JSON-schema och svarar tillbaka till anroparen, vilket gör att din Google Sheets-mappning förblir stabil.
Du kan enkelt ändra schemafälten så att de matchar dina kolumner i arket utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera webhook-triggern
Konfigurera den inkommande triggern som startar arbetsflödet när en produktförfrågan tas emot.
- Lägg till och öppna Incoming Product Webhook.
- Kopiera webhook-URL:en som genereras av Incoming Product Webhook för era inkommande produktförfrågningar.
- Bekräfta att körflödet startar med Incoming Product Webhook → Retrieve Product Markup.
Steg 2: koppla hämtning av produkt-markup
Konfigurera HTTP-förfrågan som hämtar produktssidans innehåll för parsning.
- Öppna Retrieve Product Markup och ställ in URL och request-alternativ för den produktsida ni behöver parsa.
- Verifiera att Retrieve Product Markup matar vidare till Parse Embedded Scripts i arbetsflödesvyn.
- Öppna Parse Embedded Scripts och lägg till kod som extraherar eventuella inbäddade script-block eller strukturerad data som behövs för AI-bearbetning.
Steg 3: konfigurera LLM-bearbetning och strukturerad output
Koppla AI-modellen och den strukturerade parsern för att omvandla extraherade script till produkt-JSON.
- Öppna LLM Script Processor och bekräfta att den tar emot input från Parse Embedded Scripts.
- Öppna Gemini Script Review och koppla den som språkmodell för LLM Script Processor.
- Öppna Structure Product JSON och koppla den som output-parser för LLM Script Processor.
Credential Required: Anslut era Google Gemini-credentials i Gemini Script Review.
Credential Required: Parsern Structure Product JSON är en sub-node till LLM Script Processor. Lägg till credentials på den överordnade Gemini Script Review, inte på parsern i sig.
⚠️ Vanlig fallgrop: Om Gemini Script Review saknar credentials kommer LLM Script Processor att misslyckas, även om resten av arbetsflödet är korrekt konfigurerat.
Steg 4: konfigurera JSON-svar som output
Returnera den strukturerade produktdatan till den ursprungliga webhook-förfrågan.
- Öppna Return JSON Reply och säkerställ att den är kopplad direkt från LLM Script Processor.
- Mappa response body till den strukturerade output som genereras av LLM Script Processor så att webhook-anroparen får parsad produkt-JSON.
Steg 5: testa och aktivera ert arbetsflöde
Validera flödet end-to-end och aktivera det därefter för produktion.
- Klicka på Test workflow och skicka en exempelrequest till URL:en för Incoming Product Webhook.
- Bekräfta att körvägen kör Incoming Product Webhook → Retrieve Product Markup → Parse Embedded Scripts → LLM Script Processor → Return JSON Reply.
- Verifiera att webhook-svaret returnerar strukturerad produkt-JSON från Return JSON Reply.
- Växla arbetsflödet till Active för att aktivera det för live-förfrågningar.
Vanliga fallgropar
- OpenAI-credentials kan gå ut eller begränsas av projektbehörigheter. Om något slutar fungera, kontrollera först status för din API-nyckel och användningsgränser i OpenAI API-dashboarden.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströms noder misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din tonalitet tidigt, annars kommer du redigera outputs i all evighet.
Vanliga frågor
Cirka 30 minuter om dina AI-nycklar och ditt ark är redo.
Nej. Du kopplar mest ihop konton och klistrar in API-nycklar. Den enda “tekniska” delen är att mappa JSON-fält till kolumner, vilket är point-and-click i n8n.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-kostnader, som vanligtvis är några cent per körning för den här typen av extraktion.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsade körningar, men kräver grundläggande serverhantering.
Ja, och det är ärligt talat det bästa. Du kan utöka den strukturerade outputen genom att uppdatera schemat i steget “Structure Product JSON” och justera AI-extraktionsprompten i LLM-steget så att dina extra fält ingår. Vanliga tillägg är fler maker-profiler, fler medialänkar och normaliserade kategorier/topics för renare filtrering i Google Sheets.
Oftast är det inte Product Hunt alls. HTTP-requesten kan blockeras eller rate-limitas, eller så kan ditt AI-steg ge fel på grund av en ogiltig API-nyckel. Kontrollera först outputen från noden “Retrieve Product Markup”, bekräfta sedan dina OpenAI/Gemini-credentials i n8n och kör om en enda testprodukt.
Många, så länge du håller ett rimligt tempo på requests. På n8n Cloud beror din månatliga körningsgräns på din plan; om du hostar själv begränsas du främst av din server och API:ernas rate limits. Eftersom varje produkt normalt blir klar på cirka 6 sekunder kör många team research i batchar (som 20–50 produkter) och granskar resultaten löpande.
För det här användningsfallet är svaret oftast ja. Zapier och Make är bra för enkla “ny sak → lägg till en rad”-flöden, men det här behöver HTML-hämtning, skriptparsning och AI-strukturering i flera steg, vilket är ett område där n8n brukar vara mer flexibelt (och mer kostnadseffektivt vid volym). En annan praktisk vinst är egen hosting, eftersom du kan köra större research-batchar utan att bevaka task-räknare som en hök. Vill du ha full kontroll över JSON-schemat är n8n en enklare miljö. Är du osäker, prata med en automationsexpert så pekar vi dig åt rätt håll.
Strukturerade researchrader förändrar allt. När Product Hunt-loggning blir automatisk slutar du underhålla kalkylblad och börjar använda dem.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.