三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

Agent应用指南：获取美宜佳全量门店，4万家看透便利店下沉与集聚

发布时间：2026/8/14 17:01:57 三亩地 编程学习日记
Agent应用指南：获取美宜佳全量门店，4万家看透便利店下沉与集聚

从美宜佳全国 4 万家门店数据，我看见了便利店行业的"大湾区密码"

一、引言：一家"楼下小店"，藏着 4 万门店的版图

提到便利店，大多数人脑子里先蹦出来的，是 7-11、罗森、全家这些日系招牌。但如果你在华南生活过，一定绕不开另一个名字——美宜佳。红底白字、土里土气，却在你家楼下、公司门口、地铁口反复出现，像空气一样自然。

很少有人意识到它的体量：这家 1997 年起家于东莞的本土品牌，门店数已经悄悄冲到4 万家的量级，把一众日系便利店远远甩在身后，是国内门店数最多的便利店系统。更反直觉的是它的"分布姿势"——不是北上广深全国撒网，而是把大半个华南焊死在了自己的版图里，广东一省就占了全国近一半。

前阵子我偶然发现，美宜佳官网有个门店地图，能按地图看每一家店的位置，这篇就用这 4 万条数据，拆开看看：一家区域便利店，是怎么把"大湾区"做成铁桶的。

先抛结论：美宜佳不是"全国均匀铺开"的连锁，而是一家把大湾区做成了护城河、再沿交通廊道向周边省份溢出的"密度型选手"。下面逐个维度拆给你看。

二、数据从哪来：绕开"单位范围查询"，抓到全量门店

先说清楚数据是怎么来的——这关系到后面所有结论的可信度。

美宜佳分店地图： (https://ditu.myj.com.cn/)

美宜佳官网那个门店地图，本质是个"按视口懒加载"的页面：你拖到哪，它就只向后台请求当前屏幕框内的门店。普通人永远只能看到本地一小撮。但看代码发现，后台接口接收的是任意经纬度矩形，压根不校验"你是不是真在屏幕上看这块"——也就是说，只要我把全国地图切成一个个框，它就会老老实实把框里的店全吐出来。

真正的坑在第二步：直接发"全国大框"，后台会因为一次性要塞进约四万家门店而直接 500 报错。这不是"禁止大范围查询"，纯粹是单条响应体量太大顶不住。解决办法很朴素——把全国拆成一堆小框分别查，再拼起来。具体三步：

  1. 解耦坐标：接口参数就是四个经纬度（左下角、右上角），没有 token、没有签名、没有"必须和视口一致"的校验，直接发任意矩形即可；

  2. 拆框绕过 500：改用 2.5°×2.5° 的小格逐格查，最密的珠三角格都能一次返回上万条，说明瓶颈只是"单响应体量"，拆小就稳了；

  3. 网格化 + 自适应细分：全国切成网格逐格请求，某格若仍返回 500（太密）就四等分重试，递归到最小 0.2° 为止，珠三角这类超密区靠这层兜底。每格返回的门店按店号去重合并。

附：完整抓取脚本（可直接运行）

利用requests库发送HTTP请求对应数据标签并获取所有门店数据，并根据标签进行保存，另存为csv。

importjsonimportosimportcsvimporttimeimportmathimportrequestsfromconcurrent.futuresimportThreadPoolExecutor,as_completedfromthreadingimportLock# ============== 配置区 ==============URL="https://ditu.myj.com.cn/WebService.asmx/ExecuteOfficeControlFunction"PAGE="Seed.OfficeControllers.Web.IndexPage"LREF="https://ditu.myj.com.cn/"# 中国大致包围盒LNG_MIN,LNG_MAX=73.5,135.2LAT_MIN,LAT_MAX=3.8,53.6INIT_CELL=2.5# 初始网格边长(度) -> 约 25 x 20 = 500 块MIN_CELL=0.2# 最小细分边长(度)WORKERS=8# 并发线程数REQ_TIMEOUT=60# 单请求超时(秒)SLEEP=0.02# 单请求后极小停顿(并发已控速)HEADERS={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120 Safari/537.36","Content-Type":"application/json; charset=utf-8","Referer":"https://ditu.myj.com.cn/","X-Requested-With":"XMLHttpRequest","Accept":"application/json, text/javascript, */*; q=0.01",}# 输出：与脚本同级的 myj_stores.csv（保存在运行脚本的目录下）BASE_DIR=os.path.dirname(os.path.abspath(__file__))OUT_CSV=os.path.join(BASE_DIR,"myj_stores.csv")# 字段映射：源字段 -> 输出英文列名（CSV 表头用英文，避免 Excel 编码问题）FIELDS=[("StoreCode","store_code"),("StoreName","store_name"),("ShortName","short_name"),("Telephone","telephone"),("Province","province"),("City","city"),("Town","town"),("Street","street"),("DetailAddr","detail_addr"),("BaiDuJinDu","baidu_lng"),("BaiDuWeiDu","baidu_lat"),("TenXunJinDu","tencent_lng"),("TenXunWeiDu","tencent_lat"),("Hour","business_hours"),("CompanyCode","company_code"),("Company_Name","company_name"),("Status","status"),("OpenExpress","open_express"),("Category","category"),("Introduct","introduction"),("Credential","credential"),("CreateTime","create_time"),("UpdateTime","update_time"),]COLS=[c[1]forcinFIELDS]# ============== 运行时状态 ==============lock=Lock()stores={}# StoreCode -> store dictstats={"ok":0,"empty":0,"err":0,"subdiv":0}seen_cells=set()sess=requests.Session()defclean(v):ifvisNone:return""ifisinstance(v,str)andv.strip()in("0001/01/01 00:00:00",):return""returnvdeffetch_cell(lng1,lat1,lng2,lat2):"""返回 (status, list_of_stores)。status: 'ok'/'empty'/'err'"""body={"paramJson":json.dumps([PAGE,"GetNearStoreList",LREF,lng1,lat1,lng2,lat2,""])}try:r=sess.post(URL,headers=HEADERS,data=json.dumps(body),timeout=REQ_TIMEOUT)exceptException:return"err",[]ifr.status_code!=200:return"err",[]try:obj=json.loads(r.json()["d"])exceptException:return"err",[]res=obj.get("Result")ifnotisinstance(res,list):return"err",[]return("empty"iflen(res)==0else"ok"),resdefprocess_cell(lng1,lat1,lng2,lat2,depth=0):key=(round(lng1,4),round(lat1,4),round(lng2,4),round(lat2,4))withlock:ifkeyinseen_cells:returnseen_cells.add(key)status,data=fetch_cell(lng1,lat1,lng2,lat2)time.sleep(SLEEP)ifstatus=="err":cell_w=lng2-lng1ifcell_w/2>=MIN_CELL:withlock:stats["subdiv"]+=1half=cell_w/2halfh=(lat2-lat1)/2return[(lng1,lat1,lng1+half,lat1+halfh),(lng1+half,lat1,lng2,lat1+halfh),(lng1,lat1+halfh,lng1+half,lat2),(lng1+half,lat1+halfh,lng2,lat2),]else:withlock:stats["err"]+=1return[]# ok or emptywithlock:ifstatus=="empty":stats["empty"]+=1else:stats["ok"]+=1forsindata:code=s.get("StoreCode")ifcodeandcodenotinstores:stores[code]=sreturn[]defmain():# 初始网格lng_steps=math.ceil((LNG_MAX-LNG_MIN)/INIT_CELL)lat_steps=math.ceil((LAT_MAX-LAT_MIN)/INIT_CELL)queue=[]foriinrange(lng_steps):forjinrange(lat_steps):lng1=LNG_MIN+i*INIT_CELL lng2=min(lng1+INIT_CELL,LNG_MAX)lat1=LAT_MIN+j*INIT_CELL lat2=min(lat1+INIT_CELL,LAT_MAX)queue.append((lng1,lat1,lng2,lat2))print(f"初始网格:{lng_steps}x{lat_steps}={len(queue)}块, workers={WORKERS}")whilequeue:batch=queue[:2000]queue=queue[2000:]withThreadPoolExecutor(max_workers=WORKERS)asex:futs=[ex.submit(process_cell,*c)forcinbatch]forfinas_completed(futs):sub=f.result()ifsub:queue.extend(sub)print(f"进度: 已处理块={len(seen_cells)}当前队列={len(queue)}"f"门店={len(stores)}ok={stats['ok']}empty={stats['empty']}"f"err={stats['err']}subdiv={stats['subdiv']}",flush=True,)print(f"\n抓取完成。去重后门店总数:{len(stores)}")print("stats:",stats)# ===== 清洗 + 写出 CSV =====rows=[]forsinstores.values():row={c[1]:clean(s.get(c[0]))forcinFIELDS}# 拼接完整地址addr="".join(str(row[k])forkin("province","city","town","street","detail_addr")ifrow[k])row["full_address"]=addr rows.append(row)# 字段顺序：full_address 放在 detail_addr 之后cols_out=list(COLS)cols_out.insert(cols_out.index("detail_addr")+1,"full_address")withopen(OUT_CSV,"w",encoding="utf-8-sig",newline="")asf:w=csv.DictWriter(f,fieldnames=cols_out,extrasaction="ignore")w.writeheader()forrinrows:w.writerow(r)print(f"已写出 CSV:{OUT_CSV}(共{len(rows)}家门店)")if__name__=="__main__":main()

数据会以csv表格的形式，保存在运行脚本的目录下，表格名：myj_stores.csv；（注：文中数据截至 2026 年 8 月）

数据标签包括：StoreCode（门店id）、StoreName（门店名称）、full_address（门店地址）、Telephone（电话）、business_hours（营业时间）、lon&lat（坐标），其他一些非关键标签，这里省略；

三、数据全景：4 万家店，字段比你想象的全

这一版抓到的全量门店共40,110 家，覆盖22 个省份/直辖市、248 个城市。最让我意外的是字段的完整度：

  • 地址完整率 100%：省、市、区镇、街道、详细门牌一应俱全，连"瑞江路15号附6号"这种级别都给了；
  • 电话覆盖率 99.0%：几乎每家店都带联系电话；
  • 同时带有百度(BD-09)与腾讯(GCJ-02)双坐标系经纬度、营业时段、所属公司代码等。

换句话说，这是一份可以直接拿来做空间分析、选址建模、热力可视化的"干净数据"，不是那种只有个名字的残缺表。

四、省份版图：广东一家，独占近半

把门店按省份排个序，第一眼就会被广东省的数值震住：

  • 广东19,136 家，占全国47.7%——也就是说，你每看到两家美宜佳，就有一家在广东；
  • 紧随其后的湖南（2,980）、广西（2,636）、湖北（1,943）、江西（1,706），全是广东的邻居。

这是典型的**“大本营辐射”**：以大湾区为圆心，沿京广线向北（湖南→湖北）、沿西江向西（广西）、沿沪昆向东（江西）层层溢出。美宜佳没有走"北上广深全国撒网"的路线，而是先把家门口的华南啃透，再顺着交通廊道往外渗。这种打法，决定了它的门店密度图会极度"南重北轻"。

五、城市格局：东莞才是隐藏冠军

省份往下看城市，会出现一个反直觉的结论：门店最多的城市不是广州深圳，而是东莞。

  • 东莞3,992 家> 深圳 3,028 > 广州 2,556 > 重庆 1,654 > 惠州 1,185；
  • 东莞能压过两座一线城市，原因在于它是制造业名城，镇街经济发达、外来人口密集、夜间消费旺盛，而且——美宜佳的总部就在东莞。主场优势拉满。

上面那张气泡图把 248 个城市的门店量成了气泡，一眼就能看懂美宜佳的"势力范围"：华南一片玫红密密麻麻，往华中、华东还能看到成片的紫与蓝，再往北就只剩下零星几个点了。北上广之外的北方省份，在这张图上几乎是空白。

六、区域密度：一个格子，顶一个省

为了更直观地感受"密度差"，我把全国按4°×4°切成了网格——这个尺度大概相当于一个浙江省大小。然后给每个网格按门店数上色：

  • 珠三角那个网格，15,698 家，直接爆表（深玫红）；
  • 而同样一个"省大小"的格子，放到西北、华北，可能只有零星几家甚至空白。

这意味着：美宜佳在珠三角塞进的门店数，比很多省份全省还多。密度，就是它最深的护城河——密集的门店网络摊薄了供应链成本，也培养了用户的"随手就买"习惯。

七、七大区占比：这是一个关于"南方"的故事

按地理大区归个类，结论更清楚：

  • 华南 22,396 家（55.8%）一家过半；
  • 加上华中（6,355）、华东（5,500）、西南（3,511），这四大区吃掉全国91%；
  • 而华北 + 西北 + 东北三个大区，合计不到4%。

所以美宜佳的扩张史，本质上是一个"南方故事"：它用二十多年时间，把自己焊死在了北纬 30° 以南。

八、开店时间定律：近六成 24 小时营业

便利店对抗电商的核心壁垒，是"即时性"——你想买的时候它就在。数据也印证了这点：

  • 约58%（23,096 家）的门店营业时段以00:00起记，多为24 小时营业（00:00-24:00）；
  • 剩下约 34% 的非全天门店，开门高峰集中在清晨 6—8 点（6 点 3,243 家、7 点 8,094 家、8 点 2,407 家）。

一边是"全天候"，一边是"清晨就开门"——前者兜住了夜班族和突发需求，后者接住了通勤早高峰。便利店这门生意，本质上就是在和用户的"时间缝隙"抢生意。

九、集中度：头部红海，长尾蓝海

最后看一个更"战略"的维度——集中度。把 248 个城市按门店数从多到少排，算累计占比：

  • 前 17 个城市就占了全国一半门店；
  • 前 68 个城市占八成，前 108 个占九成；
  • Top10 城市合计 16,506 家，占比 41.2%。

这曲线说明两件事：一是大湾区+长沙武汉重庆成都这批头部城市，已经卷成了红海；二是剩下的140 多个城市只分了全国 10% 的门店——对美宜佳是待开发的腹地，对其他品牌则是弯道超车的缝隙。

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。

编程学习 学习日记 实战经验
← 返回列表