HTML应用指南：利用POST请求获取全国中国工商银行网点位置信息

中国工商银行（Industrial and Commercial Bank of China, ICBC）作为全球资产规模领先的大型国有商业银行，始终秉持“服务创造价值”的经营理念，致力于为个人客户、企业客户及机构客户提供全面、稳健、高效的综合金融服务。依托持续完善的物理渠道与数字化服务双轮驱动战略，工商银行已构建起覆盖全国、延伸海外的庞大服务网络，形成以总分行管理为核心、营业网点为基础、自助设备与线上平台为延伸的多层次服务体系。

营业网点作为工商银行线下服务的关键节点，不仅是办理存取款、贷款、理财、结算等核心银行业务的重要载体，更是展示品牌形象、推广金融产品、开展客户关系管理与提供专业化咨询的综合服务平台。各营业网点严格执行统一的标准化服务流程与视觉识别系统，注重服务环境的安全性、舒适性与智能化建设，积极引入智能柜员机、远程视频柜员等科技设备，持续提升客户体验与服务效率。

本文将探讨如何通过程序化方式，利用 POST 请求调用公开接口，从工商银行相关服务平台获取营业网点分布数据。通过 Python 的 requests 库发送 HTTP 请求，解析返回的 JSON 结构化数据，提取网点名称、所属行政区、详细地址、营业时间、服务功能等关键字段，实现对网点信息的自动化采集。该数据可广泛应用于分析工商银行的区域渠道布局策略、服务密度演变趋势、城乡金融资源配置均衡性等课题，为金融地理研究、银行网点规划优化及智慧城市建设提供有力的数据支持。

中国工商银行网点查询网址：网点查询

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，这里我们可以看到省份、地级市的名称，页面码，每页数量，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list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

1. 找到对应数据存储位置，获取省级行政区、地级行政区、县级行政区表数据；
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；

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含省级行政区名、市级行政区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名称进行传递的；

因为网点查询页面的负载包括省级行政区、地级行政区、县级行政区名称，所以我们通过修改行政区名称来进行数据获取，为了方便我们可以建立一个包含省级行政区、地级行政区、县级行政的三级行政区字典，通过遍历行政区名称来查询全国数据；

第一步：利用requests库发送HTTP请求获取所有省级行政区、地级行政区、和县级行政区的三级行政区表，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
from datetime import datetime

url = "https://papi.icbc.com.cn/bankSite/qryCityInfo"
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
}

# 获取数据并生成行
rows = []
res = requests.post(url, headers=headers).json()
for item in res['data']:
    p = item['provinceName']
    for c, districts in item['cities'].items():
        rows.extend({'provinceName': p, 'cityName': c, 'district': d} for d in districts)

# 保存为CSV
filename = f"icbc_cities.csv"
with open(filename, 'w', newline='', encoding='utf-8-sig') as f:
    writer = csv.DictWriter(f, fieldnames=['provinceName', 'cityName', 'district'])
    writer.writeheader()
    writer.writerows(rows)

print(f"数据已保存至 {filename}，共 {len(rows)} 条记录。")

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：provinceName（省级行政区）、cityName（地级行政区）、    district（县级行政区）；

这里有一个tips：1、如果遇到直辖市，需要把对应的cityname 改成市辖区，这里包括"北京市、上海市、重庆市、天津市"；

第二步：利用POST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；

完整代码#运行环境 Python 3.11

import requests
import csv
from datetime import datetime

# 配置
URL = "https://papi.icbc.com.cn/bankSite/qryBankSite"
HEADERS = {
    'content-type': 'application/json',
    'user-agent': 'Mozilla/5.0',
    'x-tag-papi': 'gray'
}
OUTPUT = f"icbc_all_branches.csv"

def fetch_branches(province, city, district):
    payload = {
        "pageIndex": 1, "pageSize": 10, "qryFlag": "bank",
        "provinceName": province, "cityName": city, "district": district
    }
    branches = []
    try:
        resp = requests.post(URL, json=payload, headers=HEADERS, timeout=10)
        data = resp.json()["data"]
        for page in range(1, data["pages"] + 1):
            if page > 1:
                payload["pageIndex"] = page
                data = requests.post(URL, json=payload, headers=HEADERS).json()["data"]
            for site in data["list"]:
                branches.append({
                    "省份": province, "城市": city, "区县": district,
                    "网点名称": site["struFname"], "简称": site["struSname"],
                    "地址": site["addrDetail"], "电话": site.get("telPublic", ""),
                    "经度": site["longitude"], "纬度": site["latitude"],
                    "个人营业时间": site["openHours"]["personalM2F"],
                    "对公营业时间": site["openHours"].get("compM2f", "")
                })
    except: pass  # 失败则返回空列表
    return branches

# 主流程
print("开始查询所有网点...")
all_branches = []

with open('icbc_cities.csv', encoding='utf-8-sig') as f:
    reader = csv.DictReader(f)
    for row in reader:
        r = [row['provinceName'], row['cityName'], row['district']]
        print(f"{r[0]} - {r[1]} - {r[2]}")
        all_branches.extend(fetch_branches(*r))

# 保存结果
with open(OUTPUT, "w", encoding="utf-8-sig", newline="") as f:
    writer = csv.DictWriter(f, fieldnames=all_branches[0].keys() if all_branches else [])
    writer.writeheader()
    writer.writerows(all_branches)

print(f"完成！共 {len(all_branches)} 条数据，已保存至 {OUTPUT}")

获取数据标签如下：省份、城市、区县、网点名称、地址、电话、经度、纬度、个人营业时间、对公营业时间，其他一些非关键标签，这里省略；

第三步：坐标系转换，由于中国工商银行网点数据使用的是百度坐标系（BD09），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BD09转换为WGS-84坐标系。我们可以利用coord-convert库中的bd2wgs(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：

地理分布密度差异显著

首先，东部沿海地区的网点分布极为密集。如广东、江苏、浙江、山东等省份，这些地区经济发达，人口稠密，商业活动频繁，对金融服务的需求量大。相比之下，中部地区如河南、湖北、湖南等地，网点分布也较为密集，但相对东部沿海地区略显稀疏。这反映了中部地区的经济发展水平较高，城市化进程较快，金融服务需求较大。而西部和东北部地区，如新疆、青海、西藏、黑龙江等省份的网点分布明显较少。这些地区地广人稀，经济发展相对滞后，人口密度较低，因此对银行网点的需求相对较小。

城市与农村分布差异

在城市与农村的对比中，可以看到大城市和省会城市如北京、上海、广州、深圳等一线城市的网点分布非常密集，几乎覆盖了城市的各个角落。这表明大城市作为经济中心和人口聚集地，对金融服务的高需求。而在中小城市和县城，网点分布虽然相对均匀，但仍有一定的集中趋势，主要集中在城区和经济较发达的乡镇。至于农村地区，网点分布则较为稀疏，尤其是在偏远山区和农业为主的地区，银行网点数量较少，金融服务覆盖面有限。

经济发展水平与网点分布的相关性

值得注意的是，经济发达地区如长三角（上海、江苏、浙江）、珠三角（广东）、京津冀（北京、天津、河北）等区域，网点分布最为密集。这些地区GDP总量大，企业众多，居民收入水平高，金融交易频繁，对银行服务的需求旺盛。相反，在经济欠发达地区，如西北、西南的部分省份，网点分布较少，反映出这些地区经济基础薄弱，产业结构单一，居民收入水平较低，金融需求相对较少。

人口密度与网点分布的关系

此外，人口稠密区如东南沿海、中部平原等人口密集地区，网点分布较多，这是因为这些地区人口基数大，消费能力强，对金融服务的需求量大。而在人口稀疏区，如西北高原、东北林区等人口少的地方，网点分布较少，交通不便，金融服务的可达性较差。

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。