HTML应用指南：利用POST请求获取全国极氪门店位置信息

当汽车从钢铁机械进化为"可移动的智能终端"，线下体验空间的意义也随之重构。对极氪而言，门店早已不是传统意义上的销售场所，而是连接人、车与数字生活的未来出行实验室。在这里，用户触摸的不仅是001流畅的猎装曲线或009静谧的豪华座舱，更是极氪所倡导的"极致、智能、可持续"生活方式本身------通过沉浸式场景交互，用户能直观感受浩瀚SEA架构带来的全域进化能力、ZEEKR OS如何实现无缝生态流转、以及800V超快充如何将补能焦虑转化为效率自由。极氪正以"科技平权"的姿态，将高阶智能电动体验从参数表中解放出来，转化为可感知、可参与、可共创的真实生活片段。

这种以用户为中心的体验革命，让每一家极氪门店都成为智慧出行生态中的活态数据节点。无论是位于城市地标商圈的极氪中心，还是深入社区的极氪空间，都在持续生成关于用户行为偏好、场景使用深度、服务响应效率及区域市场热度的动态信息流。这些数据若仅停留在局部运营层面，其价值将被严重低估；唯有通过标准化、自动化的采集机制，将其转化为结构化的地理与业务资产，才能真正激活其战略潜能------支撑网络布局的科学评估、服务半径的精准测算、资源投放的动态优化，乃至未来"车-桩-站-店"一体化生态的智能协同。这不仅是渠道管理的升级，更是极氪构建"以数据驱动用户体验进化"闭环的关键一步。

本文旨在通过程序化方式，调用极氪官方公开接口，自动化采集全国极氪门店的结构化数据。利用 Python 的 requests 库发起标准 HTTP POST 请求，可高效获取包含门店名称、所属省市区、详细地址、高德经纬度坐标、营业时间、等字段的 JSON 响应。通过对这些数据的整合与地理可视化，我们不仅能清晰描绘极氪当前"以用户为中心、数字化驱动、场景化落地"的线下服务网络布局密度与城市渗透策略，还可为潜在网点选址、用户就近试驾/交付匹配、区域营销资源精准投放、绿色出行生态协同（如与换电/超充网络联动）提供可量化的决策依据------这正是"用数据理解极氪智慧出行生态"的一次实践，也深刻呼应了极氪"平等、多元、可持续的未来出行"与"科技为人，驾驭愉悦"的品牌使命

极氪官方门店查询入口：极氪官网

首先，我们找到门店数据的存储位置，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，因为所有参数都通过URL传递，这里我们可以看到查询城市citycode，页码page等信息，负载整体内容没有进行加密；

**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，我们可以看到数据在data里；

根据页面测试，我们可以知道，只要查询到市级行政区就可以查询到该层级的所有门店数据，而且从标头可以知道，数据是通过市级行政区编码进行查询的，所以我们先找到所有省市县的行政区编码响应内容，并把它另存为到本地，即可通过这张表来访问全国极氪门店数据；

第一步：利用requests库发送HTTP请求获取所有市级城市名称及编码表，并根据标签进行保存，另存为csv；

完整代码#运行环境 Python 3.11

import requests
import json
import csv


def save_cities_to_csv():
    url = "https://zeekrlife-oss.zeekrlife.com/frontend/zeekrlifeWechat/common/area.json?time=1764733711854"

    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36",
        "Referer": "https://www.zeekrlife.com/"
    }

    try:
        print("正在请求 area.json 数据...")
        response = requests.get(url, headers=headers, timeout=10)
        response.raise_for_status()
        data = response.json()

        # 检查接口是否成功
        if not data.get("success"):
            print("接口返回失败")
            return

        provinces = data.get("regionAddressJsonDTO", [])
        cities_data = []

        for province in provinces:
            province_name = province["name"]
            province_code = province["code"]
            city_list = province.get("cityList", [])

            # 如果 cityList 为空（比如某些特殊地区），跳过
            if not city_list:
                # 有些可能是直筒子市（如东莞、中山），但此处按常规处理
                continue

            for city in city_list:
                city_name = city["name"]
                city_code = city["code"]
                cities_data.append({
                    "province": province_name,
                    "city_name": city_name,
                    "city_code": city_code
                })

        # 保存到 CSV
        output_file = "china_cities.csv"
        with open(output_file, "w", encoding="utf-8-sig", newline="") as f:  # utf-8-sig 支持 Excel 正确显示中文
            writer = csv.DictWriter(f, fieldnames=["province", "city_name", "city_code"])
            writer.writeheader()
            writer.writerows(cities_data)

        print(f"成功提取 {len(cities_data)} 个市级行政区，已保存至 {output_file}")

    except Exception as e:
        print(f"发生错误: {e}")


if __name__ == '__main__':
    save_cities_to_csv()

数据会以csv表格的形式，保存在运行脚本的目录下，数据标签包括：province（省名称）、city_name（市名称）、city_code（市编码）；

我们得到了所有370个市级行政区编码列表之后，我们就可以通过遍历列表里面的城市数据，进而获取全国的门店信息；

**第二步：**利用requests库发送HTTP请求遍历370个城市编码，并获取所有极氪门店数据，并根据标签进行保存，另存为csv；

完整代码#运行环境 Python 3.11

import requests
import json
import csv
import os
import time
from datetime import datetime

# 工具函数：时间戳转日期
def timestamp_to_date(ts):
    if not ts:
        return ""
    try:
        return datetime.fromtimestamp(int(ts) / 1000).strftime("%Y-%m-%d")
    except (ValueError, OSError, TypeError):
        return ""

# 获取单个城市门店数据
def fetch_stores_by_city_code(city_code, timeout=10):
    url = "https://api-gw-toc.zeekrlife.com/zeekrlife-agg-comm-mssc-basic/open/apply/store/toc/common/nearby/shop/page"

    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36",
        "Content-Type": "application/json",
        "Referer": "https://www.zeekrlife.com/",
        "Origin": "https://www.zeekrlife.com"
    }

    payload = {
        "longitude": None,
        "latitude": None,
        "cityCode": city_code,
        "storeType": 0,
        "vehicleModel": None,
        "pageNum": 1,
        "pageSize": 9999
    }

    try:
        response = requests.post(url, headers=headers, json=payload, timeout=timeout)
        if response.status_code != 200:
            print(f"城市 {city_code} 请求失败，状态码: {response.status_code}")
            return []

        data = response.json()
        if not data.get("success"):
            msg = data.get("msg", "未知错误")
            print(f"城市 {city_code} API 返回失败: {msg}")
            return []

        # 安全获取 data 字段，防止 data 为 null
        raw_data = data.get("data")
        if raw_data is None:
            print(f"城市 {city_code} 没有门店数据")
            return []

        stores = raw_data.get("allTypeDTOS") or []  # 如果字段不存在或为 null，视为空列表

        if not stores:
            print(f"城市 {city_code} 没有门店数据")
        else:
            print(f"城市 {city_code} 获取到 {len(stores)} 个门店")

        return stores

    except Exception as e:
        print(f"城市 {city_code} 请求异常: {e}")
        return []

# 主函数：遍历城市 + 汇总保存
def main():
    input_file = "china_cities.csv"  # 输入城市列表
    output_file = "zeekr_all_stores.csv"  # 输出门店汇总

    if not os.path.exists(input_file):
        print(f"找不到城市文件: {input_file}")
        return

    # 读取所有 city_code
    city_codes = []
    with open(input_file, mode='r', encoding='utf-8') as f:
        reader = csv.DictReader(f)
        for row in reader:
            code = row.get('city_code') or row.get('cityCode') or row.get('code')
            if code and code.strip():
                city_codes.append(code.strip())

    if not city_codes:
        print("未从文件中读取到任何 city_code")
        return

    print(f"共读取 {len(city_codes)} 个城市，开始抓取...")

    # 定义输出字段
    fieldnames = [
        "storeFacilitiesId",
        "longitude",
        "latitude",
        "cityName",
        "zeekrCoordinateName",
        "province",
        "city",
        "district",
        "provinceCode",
        "cityCode",
        "districtCode",
        "roadShowDailyOpeningStartTime",
        "roadShowDailyOpeningEndTime",
        "roadShowStartDate",
        "shopAddress"
    ]

    total_count = 0
    with open(output_file, mode='w', encoding='utf-8-sig', newline='') as f_out:
        writer = csv.DictWriter(f_out, fieldnames=fieldnames)
        writer.writeheader()

        for i, city_code in enumerate(city_codes, 1):
            print(f"[{i}/{len(city_codes)}] 正在处理城市: {city_code}")
            stores = fetch_stores_by_city_code(city_code)

            for store in stores:
                gaode_coord = store.get("gaodeCoordinate")
                lon, lat = None, None
                if gaode_coord and ',' in gaode_coord:
                    parts = gaode_coord.split(',', 1)
                    lon, lat = parts[0].strip(), parts[1].strip()

                row = {
                    "storeFacilitiesId": store.get("storeFacilitiesId"),
                    "longitude": lon,
                    "latitude": lat,
                    "cityName": store.get("cityName"),
                    "zeekrCoordinateName": store.get("zeekrCoordinateName"),
                    "province": store.get("province"),
                    "city": store.get("city"),
                    "district": store.get("district"),
                    "provinceCode": store.get("provinceCode"),
                    "cityCode": store.get("cityCode"),
                    "districtCode": store.get("districtCode"),
                    "roadShowDailyOpeningStartTime": store.get("roadShowDailyOpeningStartTime"),
                    "roadShowDailyOpeningEndTime": store.get("roadShowDailyOpeningEndTime"),
                    "roadShowStartDate": timestamp_to_date(store.get("roadShowStartDate")),
                    "shopAddress": store.get("shopAddress")
                }
                writer.writerow(row)
                total_count += 1

            time.sleep(0.5)

    print(f"\n抓取完成！共获取 {total_count} 条门店数据，已保存至: {os.path.abspath(output_file)}")


if __name__ == '__main__':
    main()

获取数据标签如下，storeFacilitiesId（门店id）、zeekrCoordinateName（门店名称）、province（省）、city（市）、district（县）、roadShowDailyOpeningStartTime（门店营业开始时间）、roadShowDailyOpeningEndTime（门店结束营业时间）、shopAddress（门店地址）、roadShowStartDate（门店开业时间）、lng & lat（地理坐标），其他一些非关键标签，这里省略；

第三步： 坐标系转换，由于极氪门店数据使用的是高德坐标系（GCJ-02），为了在ArcGIS上准确展示而不发生偏移，我们需要将门店的坐标从GCJ-02转换为WGS-84坐标系。我们可以利用coord-convert库中的gcj2wgs(lng, lat)函数，也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；

对CSV文件中的门店坐标列进行转换，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：

从全国门店地理分布来看，极氪的线下渠道网络展现出高度战略化的空间布局逻辑，呈现出"核心城市群高密度覆盖、区域中心城市精准卡位、边疆省会象征性布点 "的三级结构。在第一梯队，长三角地区 无疑是极氪的战略大本营：仅上海一城便拥有超过10家门店，杭州、苏州、宁波、南京等地也普遍设有2--4个触点，形成"15分钟体验圈"；珠三角 则以深圳、广州为双核，辅以东莞、佛山等制造业重镇的门店布局，紧密呼应当地高净值用户对智能电动产品的旺盛需求；京津冀以北京为核心，天津、石家庄为支点，构建起北方市场的服务主干网。

进入第二梯队，极氪在中西部和东北地区的布局体现出鲜明的"省会优先、经济导向 "原则。成都、武汉、西安、重庆四大国家中心城市均实现多店覆盖，其中成都已形成城南金融城、城西万象城、城东龙湖天街等多商圈联动的立体网络；郑州、合肥、长沙、青岛、沈阳等强省会城市也至少设有1--2家门店，通常选址于高端购物中心或城市地标商圈（如万象城、IFS、SKP等），既保障客流质量，也强化品牌高端调性。值得注意的是，部分非省会但汽车产业基础雄厚或消费力突出的城市------如宁波、无锡、厦门、珠海------同样被纳入重点布局名单，反映出极氪对"实际购买力"而非单纯行政等级的重视。

在第三层级，极氪在乌鲁木齐、拉萨、呼和浩特、银川、西宁、海口等边疆或海岛城市虽仅设单店，却具有重要战略意义：这些门店往往兼具品牌展示、区域交付与用户维系功能，既是"全国可交付"承诺的物理兑现，也为未来潜在市场预留接口。尤其在海南，依托自贸港新能源政策优势，极氪在海口、三亚均设有门店，并与当地超充网络深度协同，探索"绿色出行+旅游生态"的创新场景。

整体来看，极氪门店分布不仅与中国新能源汽车渗透率地图高度重合 ，更与其目标用户画像（高学历、高收入、科技敏感型）的空间聚集特征深度咬合。门店类型亦呈现差异化配置：一线城市以"极氪中心 "（集产品展示、用户共创、社群活动于一体）为主，二三线城市则更多采用轻量化的"极氪空间 "或交付服务中心，实现成本与体验的最优平衡。这种"以用户密度定网点、以城市能级配形态、以生态协同拓边界"的布局哲学，正是极氪将"科技平权"理念落地为空间实践的生动体现。

在了解极氪门店的空间分布之后，我们不妨将视角从"地理维度"转向"时间维度"，深入观察其线下网络的演进轨迹。接下来，让我们一同梳理极氪门店的开店时间轴------这条贯穿品牌成长历程的关键脉络；

从2021年下半年至2022年初，极氪的线下网络扩张呈现出谨慎而稳健的步伐 。在此期间，每月新开门店的数量普遍维持在较低水平，通常介于1到4家之间，仅在2021年12月出现了一次小高峰，达到16家新店开业 。这一现象反映了极氪初期的战略选择：通过重点城市试点 来验证商业模式，并逐步积累市场经验。例如，在上海、北京、深圳 等一线城市的旗舰店成为首批落地项目，不仅为后续全国范围内的布局提供了宝贵的运营数据，也帮助品牌确立了高端智能电动车的品牌形象。这一阶段，极氪注重用户体验和产品展示，力求在核心市场建立稳固的基础。

进入2022年中，随着极氪车型矩阵的逐渐完善以及市场接受度的提升，门店扩张步伐显著加快。尤其是2022年底 ，单月新增门店数达到了当年度的峰值---20家 。这标志着极氪正式开启了全国化布局的新篇章。然而，2023年的扩张趋势并非一帆风顺，部分月份如8月仅新增5家门店，显示出品牌在面对外部环境变化（如供应链挑战或市场竞争加剧）时所做出的灵活调整。尽管如此，整体来看，极氪仍保持了相对稳定的增长态势，特别是在2024年 ，多次实现了单月新增20多家门店的成绩。例如，2024年6月和8月分别新开设了22家门店，表明品牌在渠道下沉及区域覆盖上持续发力，进一步巩固了其在全国范围内的市场地位。

最引人注目的是2025年9月的数据 ，该月单月新开门店数高达50家 ，创下整个周期中的绝对峰值。这一显著增长很可能是由于多个因素共同作用的结果，包括但不限于新产品发布、品牌升级活动或"千城万店 "计划的正式启动。具体而言，2025年是极氪品牌发展的关键一年，公司推出了多款备受期待的新车型，并加大了对三四线城市乃至县级市场的投入力度。此外，极氪还通过优化供应链管理、提升服务质量和增强用户互动体验等方式，确保每一处新开门店都能迅速融入当地社区，成为连接用户与品牌的桥梁。这种"稳扎稳打 + 战略冲刺"的发展模式，不仅推动了极氪服务网络向更广域、更密集的方向发展，也为未来实现可持续增长奠定了坚实基础。

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。