随着新零售业态的快速发展，门店位置信息的获取变得越来越重要。作为快餐服务行业的先锋，肯德基不仅在服务质量上持续领先，还积极构建广泛的门店网络，以支持其不断增长的用户群体。为了更好地理解和利用这些数据，本篇文章将深入探讨POST请求的实际应用，并展示如何通过Python的requests库发送POST请求，从肯德基官方网站获取详细的门店位置信息，包括全国范围内的所有肯德基餐厅以及其他相关服务点。本文将详细介绍如何解析构造请求、处理响应数据，并实现数据可视化，这里以上海市为例进行数据获取和可视化。
肯德基官方网址：肯德基餐厅信息查询
第一步：先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，这里我们可以看到它的传参包括，城市名称和页码，还是明文，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；
接下来就是数据获取部分，先讲一下方法思路，一共四个步骤；
方法思路
- 找到对应数据存储位置，获取所有店铺列表；
- 获取所有店铺列表的相关标签数据，另存为csv；
- 坐标转换，通过coord-convert库实现GCJ-02转WGS84；
- 点数据在arcgis上进行可视化；
第一步：我们先找到对应数据存储位置，获取所有店铺列表，我们从预览可知上海一共963家，一页是10条，也就是97页即可遍历上海肯德基的门店数量；
第二步：利用POST请求获取所有店铺列表，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 csv
import time
import random
def fetch_kfc_store_info(page_index):
url = "https://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname"
# 定义请求数据
data = {
'cname': '上海', # 城市名称
'pid': '', # 父级ID，留空
'pageIndex': page_index, # 页码
'pageSize': 10 # 每页条数
}
try:
# 发送POST请求
response = requests.post(url, data=data)
response.raise_for_status() # 检查请求是否成功
# 解析返回的数据
data = response.json()
# 提取门店信息
results = []
if 'Table1' in data and isinstance(data['Table1'], list):
for store in data['Table1']:
store_name = store.get("storeName")
address_detail = store.get("addressDetail")
city_name = store.get("cityName")
pro = store.get("pro")
province_name = store.get("provinceName")
rownum = store.get("rownum")
results.append((store_name, address_detail, city_name, province_name, pro, rownum))
return results
except Exception as e:
print(f"发生错误: {e}")
return []
def save_to_csv(data, filename='kfc_stores.csv'):
# 保存数据到CSV文件
with open(filename, mode='w', newline='', encoding='utf-8') as file:
writer = csv.writer(file)
writer.writerow(
['Store Name', 'Address Detail', 'City Name', 'Province Name', 'Other Info', 'Row Number']) # 写入表头
writer.writerows(data) # 写入数据
if __name__ == "__main__":
all_results = []
# 遍历1到97页
for page_index in range(1, 98):
print(f"Fetching data for page: {page_index}")
results = fetch_kfc_store_info(page_index)
all_results.extend(results) # 将结果添加到总结果中
# 随机延时，范围在1到3秒之间
delay = random.uniform(1, 3)
print(f"Waiting for {delay:.2f} seconds before the next request...")
time.sleep(delay)
if all_results:
print("所有门店信息:")
for store in all_results:
print(store)
# 保存到CSV文件
save_to_csv(all_results)
print("数据已保存到 kfc_stores.csv")
else:
print("未能提取数据。")获取到的数据标签如下，addressDetail（详细地址）、cityName（所在城市）、pro（门店标签）、provinceName（所在省 ）、storeName（门店名称）；
tips：1、我在脚本里增加了1~3秒的每次查询随机延时，防止频繁访问；2、如果需要调整获取数据的城市的话，可以获取修改"cname"字段，如果需要多个城市的的话，可以写成字典进行遍历；
第三步：地理编码和坐标系转换，这里我们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，直接用高德坐标拾取器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；
第四步：坐标数据可视化，我们把转好的WGS84坐标信息放到argis进行可视化，可以看到盒马门店在空间上的分布情况；
接下来，我们进行看图说话，根据分析肯德基在上海的门店分布，可以观察到以下几个明显的特征：
城市中心区域的高度关注：肯德基在上海的布局显示了其对于城市中心区域的高度关注。特别是在黄浦、静安和徐汇等核心商业区，门店数量众多，这些地区不仅是上海的经济活动中心，同时也是人口密集的居住区。这种集中分布不仅能够最大化地覆盖高消费人群，同时也利用了这些区域作为交通枢纽的优势，吸引大量过往行人和游客。
主要交通动脉沿线的线性分布：沿着上海的主要交通动脉，如延安路、南京路以及淮海路等，肯德基门店呈现线性分布。这表明品牌在选址时充分考虑到了交通便利性和人流密集度，通过这种方式来确保店铺拥有稳定的客源。此外，重要交通枢纽如火车站、地铁站和大型公交枢纽附近也有肯德基的身影，这些地点通常是人们出行和换乘的必经之地，为顾客提供了便捷的用餐选择。
郊区和新兴商业区的探索：尽管市中心是肯德基的重点布局区域，但在郊区和城市边缘地带的分布则相对较少。这反映出品牌在拓展市场时，优先选择了具有更高商业价值和发展潜力的地段。然而，在一些新兴发展的商业区和居民区内，仍然可以看到肯德基门店的存在，显示出品牌对于新市场的积极探索和对不同消费群体需求的关注。
适应多种消费场景的能力：值得注意的是，肯德基的选址策略还体现了对不同消费场景的适应能力。除了繁华商业区外，学校、医院及公园周边也能找到肯德基的身影。这样的布局有助于扩大品牌的受众基础，满足包括学生、上班族、家庭在内的多样化消费需求。
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。