HTML应用指南：利用GET请求获取全国宝马授权经销商门店位置信息
宝马（BMW）作为全球领先的豪华汽车制造商，始终秉持“纯粹驾驶乐趣”（Sheer Driving Pleasure）的品牌精神，致力于为客户提供卓越的产品体验与尊崇的服务体系。在中国市场，宝马依托“以客户为中心的数字化服务生态”，持续推进“BMW 经销商网络 4.0 升级战略”，构建覆盖全国一二线核心城市、辐射三四线潜力市场的高品质授权经销商网络，形成以“旗舰店、城市展厅、卫星店、快修中心”多层级协同的服务矩阵。
授权经销商门店不仅是宝马客户体验品牌魅力、试驾最新车型、完成购车交付与售后服务的核心触点，更是传递“创新、动感、豪华、可持续”品牌价值的重要空间。各授权门店严格遵循 BMW Retail Next 设计语言，融合数字化交互屏、AR 车型展示、iDrive 模拟体验区、新能源专属服务区等智能设施，打造沉浸式“未来展厅”，并配备 BMW Genius 产品专家提供一对一顾问式服务，全面提升客户在选车、购车、用车全生命周期中的满意度与忠诚度。
本文将系统探讨如何通过程序化数据采集技术，利用标准 HTTP GET 请求，调用宝马中国官方或其授权合作服务平台所提供的公开数据接口，实现对全国范围内宝马授权经销商门店信息的自动化、规模化采集。借助 Python 生态中成熟稳定的 requests 库，我们可高效发起网络请求，精准捕获接口返回的结构化 JSON 数据，并从中提取关键业务字段包括但不限于：门店全称、所属省/市/区县三级行政区划、详细地址、开业时间、高精度地理坐标、官方预约联系电话等核心维度。这一过程不仅是一次简单的“数据抓取”，更是对宝马中国庞大线下服务网络的一次数字化测绘与空间建模。通过对采集数据的清洗、去重、关联与可视化，我们得以构建一张动态、可交互、可分析的“宝马经销商地理信息图谱”，从而支持多维度的商业洞察。
宝马经销商门店查询地址：BMW 经销商查找- 经销商4S店地址/电话/服务查询|BMW 中国官网
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GET请求：负载通常包含了传递的参数，有些网页负载可能为空，或者没有负载，因为所有参数都通过URL传递，这里我们可以看到citycode（行政区编码），当前查询坐标等标签，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；
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
- 找到对应行政区数据存储位置，生成一个行政区对应关系编码字典；
- 我们通过改变查询负载的内容（各级行政区编码），来遍历全国门店，获取所有门店的相关标签数据；
- 坐标转换，通过coord-convert库实现GCJ-02转WGS84；
首先，我们观察到它的查询方式依然是通过不同行政区层级进行网点查询，那我们直接在"Fetch/XHR"先找到对应数据存储位置， 我们可以看到响应请求包括行政区编码、当前查询坐标等对应内容的响应请求，另外，根据上面负载的内容，我们可以知道，数据是直接通过行政区编码进行传递的；
正常情况，GET请求可以直接访问了，但是这里抛出了一个错误，API 返回 40300 错误，提示 “缺少 business-type 信息” —— 说明这个接口要求在请求头（Headers）或参数中提供 business-type 字段，而当前的请求中没有包含它，那我们去请求头找到这个参数，并携带它进行请求；
第一步：利用requests库发送HTTP请求获取所有行政区的编码表，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, csvurl = "https://service-center-customer-api.lingyue-digital.com/customer-dealer/dealer/area-province-city"
params = {"level": 1, "parentId": 1}
headers = {"business-type": "NC-TEST_DRIVE"}res = requests.get(url, params=params, headers=headers).json()if res.get("success") and res.get("data"):fieldnames = ["id", "parentId", "level", "shortName", "name", "code"]with open("areas.csv", "w", encoding="utf-8-sig", newline="") as f:w = csv.DictWriter(f, fieldnames=fieldnames)w.writeheader()[w.writerow({k: d.get(k) for k in fieldnames}) for d in res["data"]]print(f"已保存 {len(res['data'])} 条到 areas.csv")for i, d in enumerate(res["data"][:3], 1):print(f"[{i}] {d.get('name')} ({d.get('code')})")
else:print("请求失败")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：name(行政区名称)、code(行政区编码)，其他一些非关键标签，这里省略；
第二步：利用GET请求获取所有银行网点数据，并根据标签进行保存，另存为csv，这里的接口也需要在 请求头（Headers）中携带 business-type，整体逻辑：遍历 areas.csv 中的每一个 code，替换到请求参数中的 cityCode，然后逐个请求经销商数据，并将所有结果合并保存到一个 CSV 文件中；
完整代码#运行环境 Python 3.11
import requests
import csv
from time import sleep# 读取城市编码
city_codes = []
with open("areas.csv", "r", encoding="utf-8-sig") as f:for row in csv.DictReader(f):code = row.get("code")if code and len(code) == 6:city_codes.append(code)
print(f"共加载 {len(city_codes)} 个城市编码")# 请求配置
headers = {"business-type": "NC-TEST_DRIVE"}
url = "https://service-center-customer-api.lingyue-digital.com/customer-dealer/dealer/outlets"
fieldnames = ["bbaNo","businessAddressCn","cityNameZh","countyNameZh","openDate","outletFullNameAfsCn","phone","tencentLatitude","tencentLongitude","cityCode"]# 写入CSV + 去重
seen = set()
with open("all_dealers.csv", "w", encoding="utf-8-sig", newline="") as f:writer = csv.DictWriter(f, fieldnames=fieldnames)writer.writeheader()total_saved = 0for i, city_code in enumerate(city_codes, 1):print(f"[{i}/{len(city_codes)}] 正在获取城市: {city_code}")params = {"brand": "1", "latitude": "31.0957", "longitude": "121.5049","cityCode": city_code, "provinceCode": "", "status": "10111002","sortBy": "distance", "coordinateType": "baidu", "exposeNotice": "true","tagFlag": "true", "order": "asc", "outletFlag": "false", "outletStatus": "10111002"}try:data = requests.get(url, params=params, headers=headers, timeout=10).json()if data.get("success") and data.get("data"):new_count = 0for dealer in data["data"]:oid = dealer.get("outletID")if oid and oid not in seen:seen.add(oid)row = {k: dealer.get(k) for k in fieldnames[:-1]}row["cityCode"] = city_codewriter.writerow(row)new_count += 1total_saved += 1print(f"新增 {new_count} 家门店")else:print("无数据或失败")except Exception as e:print(f"请求异常: {e}")sleep(0.5)print(f"\n全部完成！共保存 {total_saved} 条不重复经销商数据到 BMW_dealership_store.csv")获取数据标签如下：城市、bbaNo（门店编号）、Tencentlat&lng（高德地理坐标）、outletFullNameAfsCn（门店名称）、businessAddressCn（详细地址）、cityNameZh（所在行政区）、openDate（开业时间）、cityCode（行政区编码）、其他一些非关键标签，这里省略；
第三步：坐标系转换，由于招商银行网点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，我们需要将网点的坐标从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：
接下来，我们进行看图说话：宝马在中国的经销商网络首先呈现出高度聚焦于长三角、珠三角与京津冀三大国家级城市群的空间特征。在上海、北京、深圳、广州等一线城市，门店数量不仅位居全国前列，更形成“多点联动、功能互补”的立体化服务矩阵，覆盖高端商圈、交通枢纽与新兴商务区；在苏州、杭州、南京、宁波、佛山、东莞等强二线城市，宝马则依托强劲的区域经济与高净值人群密度，实现“一城多店、分层运营”——部分城市设立独立的新能源体验中心、钣喷快修卫星店或BMW Premium Selection二手车认证网点，精准匹配不同客户场景需求。这种“核心城市密网化+功能专业化”的布局策略，使宝马在东部沿海形成了服务响应快、体验层级多、品牌曝光强的绝对优势区，成为其销量与客户满意度的压舱石。
在广袤的中西部地区，宝马采取“强省会单核驱动+重点城市点状突破”的拓展模式。成都、重庆、西安、武汉、长沙、郑州等新一线城市作为区域经济引擎，门店数量稳居全国前20，且持续向高新区、自贸区、城市副中心等新兴板块延伸，部分旗舰店已升级为符合BMW Retail Next标准的“未来展厅”，配备AR交互、iDrive模拟、可持续材料等数字化与绿色元素。然而，除省会外，绝大多数三四线城市仍处于“单点支撑”甚至“服务空白”状态，客户购车或保养常需跨市奔波，服务半径动辄上百公里。这种“中心强、外围弱”的格局，既反映了区域消费力落差，也暴露了渠道下沉的滞后性，为后续市场拓展留下明确方向——即通过“卫星店+快修中心+移动服务车”组合模式，提升低线城市服务可达性。
相较东部与中部，东北与西北地区的经销商网络则呈现明显的“点状孤岛式分布”。沈阳、大连、长春、哈尔滨、乌鲁木齐、兰州等省会城市虽设有授权网点，但密度极低，彼此间隔远、联动弱，青海、西藏、甘肃部分地州至今无官方授权经销商，依赖相邻省份支援或官方移动服务团队覆盖。这种布局在地理与人口稀疏地区虽具合理性，但也带来客户体验断层、售后响应延迟、品牌声量薄弱等挑战。展望未来，随着国家“西部大开发”“东北振兴”战略深化，以及县域经济与新能源汽车下乡政策推进，宝马亟需在保持高线城市“质优升级”的同时，探索“轻资产、广覆盖、数字化”的下沉模式——例如在地级市设立小型城市展厅、在县级市布设快修驿站、通过BMW App实现远程诊断与预约导流，从而构建一张“有密度、有温度、有韧性”的全国服务网络，真正实现从“城市精英专属”向“全民高端出行伙伴”的战略跃迁。
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。