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 os

def 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JSON
        try:
            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 None

    except 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 None
    except 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_URL
    headers = SITE_API_HEADERS

    try:
        # 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_list
        else:
            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 None

    except requests.exceptions.RequestException as e:
        print(f"  -> 请求发生错误: {e}")
        return None
    except 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 None
    except Exception as e:
        print(f"  -> 发生未知错误: {e}")
        return None

def 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。")
        return

    try:
        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 None

    try:
        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 None

    except json.JSONDecodeError:
        print(f"错误: 无法解析文件 {filename} 为 JSON 格式。")
        return None
    except 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 null

        if 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cityName
                 yield {
                     "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 children
            yield {
                "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。