HTML应用指南：利用POST请求获取全国申通快递服务网点位置信息

申通快递（STO Express）作为中国领先的综合物流服务商，自1993年创立以来，始终秉持“正道经营、长期主义”的发展理念，深耕快递物流领域，开创了行业加盟制先河。经过30余年的发展，申通已成长为国家5A级物流企业，并跻身《财富》中国500强及全国工商联“中国民营企业500强”榜单，成为A股上市企业。目前，申通构建了覆盖全国300余城市的物流网络，拥有独立网点超5,000个、服务站点及门店逾55,000个，业务范围延伸至全球150多个国家和地区，形成了仓、揽、转、运、派全链路一体化服务能力。

在数字化时代，申通加速推进“数智化+网点生态”战略，通过技术创新与精细化运营提升服务效率。其科技力以多级信息安全防控体系为基底，保障万亿级包裹数据安全，同时依托全网数智化升级实现全链路降本增效。例如，漳州传化公路港枢纽的投用显著提升了闽南区域分拨效率，而AI预测模型则助力网点库存与路由规划的动态优化。此外，申通通过“五星五力”服务体系（运营力、体验力、差异力、价格力、科技力）深化客户合作，为商家提供定制化解决方案，满足从仓配一体化到即时配送的多元化需求。

通过对这些服务网点数据的深入分析，我们可以全面掌握申通快递在国内市场的布局特点与发展趋势。例如，通过分析各城市的网点密度、选址特征以及周边消费环境，可以精准洞察不同地区的物流需求差异，为申通未来的服务优化、新网点开设规划以及市场拓展策略提供有力的数据支持与决策依据。同时，用户也可以借助这些数据，方便快捷地查询到最近的申通快递网点，实现快速寄件或预约上门取件服务，极大地提升了用户体验。

申通快递网点位置查询：申通快递官网

我们第一步先找到服务网点数据的存储位置，然后看3个关键部分标头、负载、 预览；

标头：通常包括URL的连接，也就是目标资源的位置；

负载：对于POST请求：负载通常包含了传递的参数，这里我们可以看到它的传参包括各级行政区名称，是明文传输；

预览：指的是对响应内容的快速查看或摘要显示，可以帮助用户快速了解返回的数据结构或内容片段；

接下来就是数据获取部分，先讲一下方法思路，一共三个步骤；

方法思路

1. 找到对应行政区划树的数据存储位置，生成一个行政区对应关系字典；
2. 我们通过改变查询负载的内容（各级行政区名称），来遍历全国服务网点数据，获取所有服务网点的相关标签数据；
3. 坐标转换，通过coord-convert库实现GCJ-02转WGS84；

第一步：通过页面测试发现，申通服务网点查询页面采用的策略是，通过三级行政区明文这样的结构数据，进行查询的；

接下来，我们找到行政区划树的数据存储位置，通过脚本把数据另存为本地json，通过读取json的三级行政区字典进行遍历全国服务网点信息；

完整代码#运行环境 Python 3.11

import requests
import json
import osdef fetch_and_save_area_tree_json_simplified():url = "https://site.sto.cn/Service/AreaTree"method = "POST"headers = {"accept": "application/json, text/plain, */*","referer": "https://www.sto.cn/","user-agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/136.0.0.0 Mobile Safari/537.36 Edg/136.0.0.0","Content-Type": "application/json"}payload = {} # 空的 JSON 负载area_tree_data = None # 用于存储解析后的数据filename = "sto_area_tree_data.json" # 指定保存的文件名try:print(f"正在发送 {method} 请求获取行政区划数据: {url}")response = requests.post(url, headers=headers, json=payload)response.raise_for_status() # 检查HTTP状态码，非2xx会抛出异常print(f"成功收到响应，状态码: {response.status_code}")# 尝试解析JSONtry:area_tree_data = response.json()print("响应解析为 JSON 成功。")except json.JSONDecodeError as e:print(f"错误: JSON解析失败: {e}")print(f"原始响应内容 (部分):\n{response.text[:500]}{'...' if len(response.text) > 500 else ''}")# JSON解析失败，area_tree_data 将保持 Noneexcept requests.exceptions.RequestException as e:print(f"错误: 请求发生错误: {e}")if hasattr(e, 'response') and e.response is not None:print("错误状态码:", e.response.status_code)#print("错误响应体:", e.response.text) # 简化，不打印错误响应体# 请求失败，area_tree_data 将保持 Noneexcept Exception as e:print(f"错误: 发生未知错误: {e}")# 发生其他错误，area_tree_data 将保持 None# --- 保存数据到JSON文件 ---if area_tree_data is not None:try:print(f"正在将数据保存到文件: {filename}")with open(filename, 'w', encoding='utf-8') as f:json.dump(area_tree_data, f, ensure_ascii=False, indent=4)print(f"数据已成功保存到 {filename}")except Exception as e:print(f"错误: 保存文件时发生错误: {e}")else:print("未获取到有效行政区划数据，不保存文件。")if __name__ == "__main__":fetch_and_save_area_tree_json_simplified()

等待脚本执行完成，将输出一个json文件sto_area_tree_data.json，为了更直观的展示，我们可以复制json里面的数据，并放在json可视化的工具里进行展示，这里用的在线工具是编辑器 | JSON For You | 在线JSON工具，我们可以看到三级行政区及其行政区编码；

第二步：读取之前生成的JSON文件，并使用这些数据来查询第三级(网点)信息，并根据标签进行保存，另存为csv；

方法思路

1. 读取本地的 sto_area_tree_data.json 行政区划文件；
2. 遍历该文件的层级结构，提取每个区县的名称和代码；
3. 对于每个区县，调用申通的网点查询 API；
4. 收集所有区县的网点数据；
5. 将汇总的所有网点数据保存到一个 CSV 文件。

完整代码#运行环境 Python 3.11

import requests
import json
import pandas as pd
import os
import time # 导入 time 库用于添加延迟# --- 文件路径配置 ---
AREA_TREE_FILE = "sto_area_tree_data.json" # 行政区划数据文件
OUTPUT_CSV_FILE = "all_sto_sites_data.csv" # 汇总保存的网点数据文件# --- API 配置 ---
SITE_API_URL = "https://site.sto.cn/Service/Site"
SITE_API_HEADERS = {"accept": "application/json, text/plain, */*","referer": "https://www.sto.cn/","user-agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/136.0.0.0 Mobile Safari/537.36 Edg/136.0.0.0"
}# --- 网点查询相关函数 ---
def fetch_sto_site_data(payload):"""发送请求获取申通网点数据。返回一个列表（如果成功）或 None。"""url = SITE_API_URLheaders = SITE_API_HEADERStry:# print(f"正在请求数据，地区: {payload.get('provinceName', '')}-{payload.get('cityName', '')}-{payload.get('districtName', '')}") # 简化打印response = requests.post(url, headers=headers, json=payload)response.raise_for_status() # 检查HTTP状态码，非2xx会抛出异常site_data_list = response.json()# 检查解析结果是否为列表if isinstance(site_data_list, list):# print(f"  -> 成功获取 {len(site_data_list)} 条网点数据。") # 简化打印return site_data_listelse:print(f"  -> 警告: API返回数据结构与预期不符（不是列表）。原始响应前200字符: {response.text[:200]}{'...' if len(response.text) > 200 else ''}")return Noneexcept requests.exceptions.RequestException as e:print(f"  -> 请求发生错误: {e}")return Noneexcept json.JSONDecodeError:print("  -> 错误: 无法解析响应为 JSON 格式。")print(f"  -> 原始响应内容前200字符: {response.text[:200]}{'...' if len(response.text) > 200 else ''}")return Noneexcept Exception as e:print(f"  -> 发生未知错误: {e}")return Nonedef save_data_to_csv(data_list, filename):"""将数据列表保存到 CSV 文件。"""if not data_list:print("没有数据可保存到 CSV。")returntry:df = pd.DataFrame(data_list)df.to_csv(filename, index=False, encoding='utf-8-sig')print(f"所有网点数据已成功保存到 {filename}")except Exception as e:print(f"保存 CSV 文件时发生错误: {e}")# --- 行政区划数据处理函数 ---def load_area_tree_data(filename=AREA_TREE_FILE):"""从本地 JSON 文件加载行政区划数据。"""if not os.path.exists(filename):print(f"错误: 行政区划数据文件未找到: {filename}")print("请先运行获取行政区划数据的脚本来生成此文件。")return Nonetry:print(f"正在从文件加载行政区划数据: {filename}")with open(filename, 'r', encoding='utf-8') as f:full_data = json.load(f)print("行政区划数据加载成功。")# 检查顶层结构并提取 data 列表if isinstance(full_data, dict) and full_data.get("success") is True and isinstance(full_data.get("data"), list):return full_data.get("data") # 返回 data 键对应的列表else:print("错误: 行政区划数据文件结构与预期不符（未找到 success=True 的字典或 data 列表）。")# 可以打印部分数据结构帮助调试# print(f"文件内容顶层键: {list(full_data.keys()) if isinstance(full_data, dict) else '非字典'}")return Noneexcept json.JSONDecodeError:print(f"错误: 无法解析文件 {filename} 为 JSON 格式。")return Noneexcept Exception as e:print(f"加载行政区划文件时发生错误: {e}")return None# 修改 traverse_area_tree 函数以匹配新的 JSON 结构 ("text", "value", "children")
def traverse_area_tree(data_list, current_province=None, current_province_id=None, current_city=None, current_city_id=None):"""遍历行政区划树数据，找到区县级别并生成其信息。数据结构假设：[ { "text": "省", "value": "省ID", "children": [ { "text": "市", "value": "市ID", "children": [...] } ] } ]Args:data_list: 当前层级的行政区划列表。current_province: 当前处理到的省级名称。current_province_id: 当前处理到的省级ID。current_city: 当前处理到的市级名称。current_city_id: 当前处理到的市级ID。Yields:dict: 包含区县信息的字典 (provinceName, provinceCode, cityName, cityCode, districtName, districtCode)"""if not isinstance(data_list, list):return # 不是列表则停止遍历当前分支for item in data_list:if not isinstance(item, dict):continue# 使用新的键名: "text" -> 名称, "value" -> ID, "children" -> 子节点列表area_id = item.get("value")area_name = item.get("text")child_areas = item.get("children") # get() 返回 None 如果键不存在或值为 nullif area_name is None or area_id is None:continue# 根据嵌套层级判断省市县# 注意直辖市的数据结构可能特殊，例如北京市下直接是区if current_province is None: # 第一级：省/直辖市# 确保 children 是列表，如果为 null 或非列表则跳过该分支if isinstance(child_areas, list):yield from traverse_area_tree(child_areas, current_province=area_name, current_province_id=area_id)elif current_city is None: # 第二级：市 (对于直辖市，这层可能不存在或直接是区)# 检查 children 是否为列表。如果是列表，继续遍历市下面的区县# 如果 children 不是列表（比如为 null），则说明当前 area_name 可能已经是区县了（处理直辖市结构如北京、上海等）if isinstance(child_areas, list):yield from traverse_area_tree(child_areas, current_province=current_province, current_province_id=current_province_id, current_city=area_name, current_city_id=area_id)else: # 如果第二级的 children 不是列表，则假设当前 item 就是一个区县# 这适用于 省(直辖市) -> 区县... 的结构# 此时，我们将市级名称和代码设置为与省级相同，或者根据实际API要求处理# 这里设置为与省级相同，因为网点查询API需要cityCode和cityNameyield {"provinceName": current_province,"provinceCode": current_province_id,"cityName": current_province, # 对于直辖市，市名通常与省名相同"cityCode": current_province_id, # 对于直辖市，市代码通常与省代码相同"districtName": area_name,    # 当前项是区县名"districtCode": area_id       # 当前项是区县代码}else: # 第三级：区县 (在 省 -> 市 -> 区县 结构下)# 这是标准的区县层级，不需要再检查 childrenyield {"provinceName": current_province,"provinceCode": current_province_id,"cityName": current_city,"cityCode": current_city_id,"districtName": area_name,"districtCode": area_id}# --- 主执行逻辑 ---
def fetch_all_sto_sites():"""获取所有申通网点的数据，遍历区县并查询。"""all_site_data = [] # 存储所有网点数据# 1. 加载行政区划数据# load_area_tree_data 现在会返回 data 键下的列表area_data_list = load_area_tree_data(AREA_TREE_FILE)if area_data_list: # 检查 load_area_tree_data 是否成功返回列表# 2. 遍历行政区划数据，获取区县列表print("\n正在遍历行政区划数据，查找区县...")district_payloads = []# 调用遍历函数，并收集区县信息for district_info in traverse_area_tree(area_data_list):district_payloads.append(district_info)print(f"找到 {len(district_payloads)} 个区县需要查询。")# 在开始查询前，先创建一个空的CSV文件（参考您的代码）save_data_to_csv([], OUTPUT_CSV_FILE)# 3. 遍历区县列表，查询网点数据if district_payloads:print("\n开始按区县查询网点数据...")total_districts = len(district_payloads)# 可以选择只处理部分区县进行测试# district_payloads = district_payloads[:10] # 只处理前10个区县for i, payload in enumerate(district_payloads, 1):print(f"\n处理第 {i}/{total_districts} 个区县: {payload.get('provinceName')}-{payload.get('cityName')}-{payload.get('districtName')}...")site_data_for_district = fetch_sto_site_data(payload)if site_data_for_district:print(f"  -> 获取到 {len(site_data_for_district)} 条网点数据。")# 为每个网点数据添加查询时使用的省市县信息for site in site_data_for_district:site['ProvinceName_Query'] = payload.get('provinceName')site['ProvinceCode_Query'] = payload.get('provinceCode')site['CityName_Query'] = payload.get('cityName')site['CityCode_Query'] = payload.get('cityCode')site['DistrictName_Query'] = payload.get('districtName')site['DistrictCode_Query'] = payload.get('districtCode')# 将当前区县的数据直接保存到CSV，而不是全部收集后再保存# 这可以避免一次性加载大量数据到内存，参考您提供的代码结构try:df_district = pd.DataFrame(site_data_for_district)# 使用 append 模式 'a'，header=False 表示不写入头部（第一次写入时会写入）df_district.to_csv(OUTPUT_CSV_FILE, mode='a', header=not os.path.exists(OUTPUT_CSV_FILE) or os.stat(OUTPUT_CSV_FILE).st_size == 0, index=False, encoding='utf-8-sig')print(f"  -> 已追加 {len(site_data_for_district)} 条数据到 {OUTPUT_CSV_FILE}")except Exception as e:print(f"  -> 错误: 保存区县数据到 CSV 时发生错误: {e}")# 添加延迟，避免请求过快time.sleep(0.2) # 延迟 0.2 秒，可以根据需要调整print("\n所有区县网点数据查询完成。")# 注意：由于是按区县追加保存，all_site_data 列表不再需要，最终结果在CSV文件中else:print("未找到区县信息，跳过网点查询。")else:print("行政区划数据加载失败，无法进行网点查询。")print("\n程序执行完毕。")if __name__ == "__main__":fetch_all_sto_sites()

获取数据标签如下，Province（行政区）、ProvinceId（行政区编码）、CityId（市级编码）、City（市级）、 DistrictId（县级编码）、District（县级）、FullName（服务点名称）、Longitude，Latitude（坐标）、Address（详细地址）、Manager（经理）、ManagerMobile（经理电话），其他一些非关键标签，这里省略；

第三步：地理编码和坐标系转换，这里因为我们获取的坐标系为空，需要把获取的门店地址进行地理编码，具体实现方法可以参考我这篇文章：地址转坐标：利用高德API进行批量地理编码_高德地图api-CSDN博客；

这里直接下载转换结果，坐标系GCJ-02，当然还有个别地址描述太模糊的或者格式无法识别，会查不出坐标，手动查一下坐标即可，大部分还是可以查到的，因为当前坐标系是GCJ02，需要批量转成WGS84/BD09的话可以用免费这个网站：批量转换工具：地图坐标系批量转换 - 免费在线工具 (latlongconverter.online)，也可以通过coord-convert库实现GCJ-02转WGS84；
对CSV文件中的服务网点坐标列进行转换。完成坐标转换后，再将数据导入ArcGIS进行可视化；

接下来，我们进行看图说话：

东部密集，西部稀疏： 在地图上可以清晰地看到，申通快递在东部沿海地区和中部地区的网点密度非常高。特别是在长三角、珠三角以及京津冀这样的经济核心区，网点几乎连成一片，显示出极高的覆盖度。这些区域不仅人口密集，而且商业活动频繁，是快递服务需求最大的地方。而在西部和北部，尤其是像西藏、新疆等边远省份，网点则显得零散得多，反映了这些地区相对较低的人口密度和经济发展水平。

城市集中，乡村覆盖： 大城市的中心及其周边地带，如北京、上海、广州等地，可以看到申通快递网点密布，形成了高效的服务网络。与此同时，在一些中小城市乃至乡镇，也有网点的存在，这表明申通正致力于扩大其在全国范围内的服务覆盖面，确保即使是较小的城市也能享受到便捷的快递服务。

交通干线沿线布局： 地图上的一个显著特点是，许多申通快递的网点都位于主要交通线路附近，比如高速公路旁或者铁路枢纽周围。这种布局策略有助于加快货物的运输速度，并提高整体物流效率，同时也便于与其他物流公司或节点之间的协作。

省会城市及重要交通枢纽是重点布局区域： 省会城市和其他重要的交通枢纽城市，例如武汉、成都等，拥有大量的申通快递网点。这些城市不仅是各自省份的政治、经济中心，也是物流的关键节点，因此成为了申通快递布局的重点区域。

边远地区和特殊地形区域分布较少： 对于那些地理位置偏远、地形复杂的地区，如山区或高原地带，申通快递的网点数量明显减少。然而，即便是在这些地方，通过与当地的合作或代理模式，仍然能够提供一定程度的服务，确保全国范围内都有一定的服务可达性。

文章仅用于分享个人学习成果与个人存档之用，分享知识，如有侵权，请联系作者进行删除。所有信息均基于作者的个人理解和经验，不代表任何官方立场或权威解读。