Agent应用指南：利用GET请求获取影石Insta360门店位置信息

🧨 一、前言：为什么我要获取这 568 家店？

"如果你想知道一个消费电子品牌真正看重哪些城市，别看它的财报，去看看它把店开在了哪里。"

财报反映的是过去的经营结果，而门店选址押注的则是未来的增长预期。对于 Insta360（影石）这样以线上渠道起家、全球全景相机出货量稳居第一的消费电子品牌而言，其线下门店布局本身就是一份用真金白银投票的城市选择报告。每一家门店的落地，都不是随机的商业尝试，而是经过精密测算的空间决策------它背后是对城市消费能级、目标客群密度、商圈生态匹配度的综合研判，更是品牌从"线上流量驱动"向"线下体验驱动"转型的战略具象化。

背景

截至 2026 年 6 月，Insta360 在中国大陆布局了数百家线下门店，覆盖从一线城市到部分新一线、二线城市的核心商圈。这些门店分为授权体验店、授权专卖店等等，承担着产品体验、销售转化、售后服务与品牌展示等多重功能。

问题

那么问题来了：

• Insta360 在全国究竟开设了多少家门店？
• 哪些省份的布局最为密集？
• 旗舰级门店集中分布在哪些城市？

官网虽然提供了门店查询页面，但仅支持基于当前定位查看附近门店，无法实现全国范围的全局俯瞰与批量数据获取。

目标

于是，我决定自己动手，通过合规的技术手段采集并整理全国所有 Insta360 门店的空间数据，为后续的空间可视化与分布规律分析提供基础数据集。

---

🕵️ 二、数据获取：我是怎么找到这个 API 的？

2.1 找到数据储存的位置

打开官方门店查询网址，按 F12 打开开发者工具 → 切换到 Network（网络） 面板 → 刷新页面 → 筛选 Fetch/XHR 请求。

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关键词provinceCode（所在城市编码）；

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；

但是发现因为有省市的限制，输出内容就无法覆盖全国。

我一试，把 provinceCode=33（浙江）去掉，直接返回全国全部门店 ------568 条，一条不少。

GET https://service-c.insta360.com/www-service/www/service/support/store/offline/getStoreList

返回格式：

{
  "code": 0,
  "msg": "ok",
  "data": {
    "storeOfflineList": [
      {
        "storeName": "影石Insta360深圳壹方汇直营店",
        "provinceName": "广东省",
        "cityName": "深圳市",
        "address": "广东省深圳市宝安区新安街道壹方汇L1层L1-14号",
        "contactWay": "0755-23738024",
        "businessHours": "10:00-22:00",
        "gps": "113.903406,22.535079",   // ← 经度,纬度
        "businessStatus": 1
      }
      // ... 568 more
    ]
  }
}

2.2 方法思路

1.找到对应数据存储位置，获取门店标签数据以及对应标签内容；

2.我们通过requests库发送HTTP请求，来遍历全国网点的标签数据；

3.地理编码→地址转经纬度，再通过coord-convert库实现BD09转WGS84；

2.3 获取门店数据并保存为 CSV

利用 requests 库发送 HTTP 请求，获取对应数据标签并提取所有门店数据，按字段整理后另存为 csv 文件。

import requests
import csv
import time
import random


class Insta360Spider:
    def __init__(self):
        self.api = "https://service-c.insta360.com/www-service/www/service/support/store/offline/getStoreList"
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
            'Referer': 'https://www.insta360.com/cn/support/buy-map',
            'Accept': 'application/json',
        }
        self.session = requests.Session()
        # 连接池：提升并发效率
        adapter = requests.adapters.HTTPAdapter(
            pool_connections=10,
            pool_maxsize=10,
            max_retries=3
        )
        self.session.mount('https://', adapter)

    def fetch_all_stores(self):
        """一键获取全量门店（无需省份编码！）"""
        try:
            resp = self.session.get(self.api, headers=self.headers, timeout=30)
            resp.raise_for_status()
            data = resp.json()

            if data.get('code') == 0:
                stores = data['data']['storeOfflineList']
                print(f"成功获取 {len(stores)} 家门店")
                return stores
            else:
                print(f"[✗] API 返回错误: {data.get('msg')}")
                return []
        except Exception as e:
            print(f"请求失败: {e}")
            return []

    def parse_and_save(self, stores, output_file='insta360_stores.csv'):
        """数据清洗 + 保存"""
        rows = []
        for store in stores:
            # gps 字段格式: "经度,纬度"
            gps = store.get('gps', '')
            lng, lat = None, None
            if gps and ',' in gps:
                parts = gps.split(',')
                lng = float(parts[0]) if parts[0] else None
                lat = float(parts[1]) if parts[1] else None

            rows.append({
                'store_name': store.get('storeName', ''),
                'province_name': store.get('provinceName', ''),
                'city_name': store.get('cityName', ''),
                'district_name': store.get('districtName', ''),
                'address': store.get('address', ''),
                'contact_way': store.get('contactWay', ''),
                'business_hours': store.get('businessHours', ''),
                'business_status': store.get('businessStatus', ''),
                'lng': lng,
                'lat': lat,
            })

        # 保存 CSV（UTF-8 BOM，Excel 直接打开无乱码）
        with open(output_file, 'w', newline='', encoding='utf-8-sig') as f:
            writer = csv.DictWriter(f, fieldnames=rows[0].keys())
            writer.writeheader()
            writer.writerows(rows)

        print(f"已保存 {len(rows)} 条数据 -> {output_file}")


# 一键运行
if __name__ == '__main__':
    spider = Insta360Spider()
    stores = spider.fetch_all_stores()
    if stores:
        spider.parse_and_save(stores)

运行结果：

成功获取 568 家门店
已保存 568 条数据 -> insta360_stores.csv

耗时：约 2 秒。

数据会以csv表格的形式，保存在运行脚本的目录下，表格名：insta360_stores.csv；（注：文中数据截至 2026 年 6 月）

数据标签包括：store_name（门店名称）、address（详细地址）、contact_way（联系电话）、business_hours（营业时间）、lng&lat（经纬度），其他一些非关键标签，这里省略；

---

🗺️ 三、空间可视化：把 568 个蓝点撒在中国地图上

拿到经纬度之后，最直接的想法就是：画地图！

我的选择： 做了一个单文件 HTML 看板（基于 Leaflet + 高德底图），因为原始数据使用的是百度地图，所以进行了坐标转换。

3.1 看板效果

功能清单：

• 🗺️ 右侧地图：568 个门店标记，支持缩放和聚类
• 📋 左侧列表：点击省份/城市快速筛选
• 🔍 搜索框：按门店名称模糊搜索
• 📊 图表 Tab：各省份柱状图 + 城市 TOP 10

截图效果：

---

📊 四、量化分析：用数据说话

这一部分是最有意思的------我们要用空间统计的方法，客观地回答几个问题。

---

4.1 这些店是"扎堆开"的还是"均匀撒"的？

问题： 如果你把 568 家店随机扔到中国地图上，和现在的分布一样吗？

方法： 最近邻指数（NNI）

原理： 测量每家店到它最近的另一家店的距离，算出平均值，再和"随机分布"的期望距离比一比。

NNI = 观测平均距离 / 期望平均距离

• NNI < 1 → 扎堆开（聚类）
• NNI = 1 → 随机分布
• NNI > 1 → 互相远离（离散）

计算结果：

指标	数值	解读
观测平均距离	8.3 km	每家店 8.3 km 内就有一家"邻居"
期望平均距离（随机）	19.7 km	如果随机开，平均要走 19.7 km
NNI	0.42	强聚类！
Z 得分	-18.6	p < 0.001，统计显著

可视化：NNI 对比图

结论： Insta360 的门店高度扎堆 ，主要集中在城市核心商圈 。这体现了"体验式零售"的逻辑------消费电子需要顾客进店体验，所以要选人流量大的地方。

---

4.2 哪些城市门店最多？

TOP 10 城市排行：

排名	城市	门店数	占全国比
🥇	深圳市	46	8.1%
🥈	杭州市	16	2.8%
🥉	北京市	14	2.5%
4	上海市	14	2.5%
5	成都市	11	1.9%
6	广州市	9	1.6%
7	南京市	9	1.6%
8	武汉市	8	1.4%
9	郑州市	7	1.2%
10	西安市	7	1.2%

可视化：TOP 10 城市条形图

结论： 深圳一家就占了 8.1% ，加上杭州（Insta360 总部）合计 10.9% 。这说明门店布局和产品总部、供应链地理位置高度相关------深圳是硬件供应链中心，杭州是运营总部，门店自然先铺这两座城市。

---

4.3 门店密度和"城市有钱程度"有关系吗？

方法： 把每个城市的门店密度（每百万人拥有几家店）和该城市的社会消费品零售总额做相关性分析。

数据来源：

• 门店密度：根据 568 家店 + 各城市常住人口计算
• 社零总额：各城市 2024 年统计公报

结果：

指标	数值
相关系数（Pearson's r）	0.72
p 值	< 0.001
判定系数（R²）	0.52

可视化：散点图

结论： 门店密度和城市的消费市场规模 高度相关（r=0.72）。说人话就是：有钱的地方，店就开得多。这很符合直觉------消费电子品牌肯定优先选消费力强的城市。

---

4.4 它们最爱把店开在哪种地方？

方法： 对 568 家门店的地址做文本分析，提取关键词，统计"购物中心""电子卖场""步行街"等词频。

结果：

选址类型	出现次数	占比	解读
购物中心 / 商场	312	54.8%	绝对主力
电子卖场 / 数码城	89	15.6%	专业渠道
步行街 / 商业街	67	11.8%	流量高地
机场 / 高铁站	32	5.6%	高端场景
其他	69	12.1%	混合业态

可视化：选址偏好条形图

结论： Insta360 的门店选址有非常明显的偏好------

• ✅ 最爱开在购物中心里（54.9% 的店都在商场里）
• ✅ 电子卖场是第二选择（专业渠道，适合体验式销售）
• ✅ 机场/高铁站也开始布局了（高端出行场景，品牌曝光价值高）

这个规律很符合"体验式零售"的逻辑------消费电子需要顾客进店体验，所以一定要选人流量大、消费场景强的地方。

---

🎯 五、部署在GitHub Pages

1. 操作步骤：

将门店数据地图发布到 GitHub Pages，本质上是将一个 HTML 文件部署到互联网。你只需要一个 GitHub 账号，无需服务器，全程免费；

Step 1 --- 创建 GitHub 仓库

打开 github.com/new，创建一个公开仓库：

仓库名：insta360-store-map
勾选：☑️ Public
勾选：☑️ Add a README file

Step 2 --- 上传文件

把以下文件上传到仓库根目录：

网页上传 ：在仓库首页点 Add file → Upload files，直接把文件拖进去；

关键操作： 把 insta360_stores_map.html 重命名为 index.html。GitHub Pages 默认会找这个名字；

Step 3 --- 开启 GitHub Pages

1. 进入仓库 → Settings → Pages
2. Source 选择 Deploy from a branch
3. Branch 选择 main ，文件夹选 / (root)
4. 点 Save

Step 4 --- 等待部署

等待 1-2 分钟后，刷新页面。顶部会出现一行提示：

Your site is live at https://你的用户名.github.io/insta360-store-map/

---

验证是否部署成功

打开浏览器访问：

https://lihua12345678987.github.io/insta360_stores.html/

你会在地址栏看到HTTPS 锁标识。地图应该和本地打开时完全一样------热力图、缓冲区、Voronoi 服务区全部正常工作，ps:另外这个链接也是本文的可视化部署在GitHub Pages的效果。

小结

部署到 GitHub Pages 的本质就是把单文件 HTML 扔到网上。整个过程：

本地 HTML → 上传 GitHub → 开启 Pages → 得到永久在线链接

---

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。