HTML应用指南：利用GET请求获取全国招商银行网点位置信息-CSDN博客

招商银行（China Merchants Bank, CMB）作为中国领先的股份制商业银行，始终坚持“以客户为中心”的服务理念，致力于为个人客户、企业客户及机构客户提供专业、高效、便捷的综合金融服务。依托“轻型银行”战略与“金融科技银行”建设，招商银行持续推进线上线下融合的服务模式，构建起覆盖全国主要城市、辐射重点县域的现代化金融服务网络，形成以总分行统筹管理为基础、营业网点为核心、智能设备与移动端平台为延伸的立体化服务体系。

营业网点作为招商银行线下服务的重要支点，不仅是办理存取款、理财、贷款、跨境金融等核心业务的关键场所，更是传递品牌价值、推广财富管理产品、开展客户陪伴式服务与提供专业金融咨询的综合体验空间。各营业网点遵循统一的服务标准与品牌形象规范，注重服务环境的私密性、舒适性与科技感，广泛部署智能柜员机、VTM远程柜员终端、智能排队系统等数字化设备，积极打造“智慧网点”，持续提升服务效率与客户满意度。

本文将探讨如何通过程序化方式，利用 GET 请求调用公开接口，从招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、所属城市、行政区划、详细地址、营业时间、服务功能及地理坐标等关键字段，实现对网点信息的自动化采集。该数据可广泛应用于分析招商银行的区域布局策略、渠道覆盖密度、重点经济圈服务渗透率以及城乡金融服务可及性等课题，为金融地理研究、银行网点优化布局、商业选址分析及智慧城市建设提供有力的数据支持。

招商银行网点查询网址：招商银行 -- 网点地图

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cityname（城市名称），type（查询类型），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

找到对应数据存储位置，获取地级行政区表数据；
我们通过requests库发送HTTP请求，来遍历全国网点的标签数据；
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地级行政区、查询类型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地级行政区名称，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地级行政区的字典（因为招商银行不是在所有行政区都有网点，所以以网页提供的行政区为准），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请求获取所有地级行政区的表，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

# 请求数据
response = requests.get(
    "https://map.cmbchina.com/api/map/getProCityInfo",
    headers={'User-Agent': 'Mozilla/5.0'},
    timeout=10
)

if response.status_code == 200:
    data = response.json()
    filename = f"pro_city_info.csv"

    # 保存为CSV
    with open(filename, 'w', encoding='utf-8-sig', newline='') as f:
        writer = csv.writer(f)
        writer.writerow(['省份', '城市', '纬度', '经度'])

        for prov in data['body']['provList']:
            [writer.writerow([prov['provName'], c['cityName'], c['lat'], c['lng']])
             for c in prov['cityList']]

    print(f"数据已保存到 {filename}")
else:
    print(f"请求失败: {response.status_code}")

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：省份、城市、经纬度；

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；

完整代码#运行环境 Python 3.11

import requests
import csv


# 读取城市列表
def read_cities_from_csv(filename):
    cities = []
    with open(filename, 'r', encoding='utf-8-sig') as f:
        reader = csv.DictReader(f)
        for row in reader:
            city_name = row['城市']
            if city_name:
                cities.append(city_name)
    return cities


# 输出文件名固定
output_filename = "cmb_bank.csv"

# 打开输出CSV文件并写入表头
with open(output_filename, 'w', encoding='utf-8-sig', newline='') as output_file:
    writer = csv.writer(output_file)
    writer.writerow(['城市', 'branchNo', 'lat', 'lng', 'name', 'type'])

    # 读取城市列表
    cities = read_cities_from_csv('pro_city_info.csv')

    # 遍历每个城市
    for city in cities:
        url = f"https://map.cmbchina.com/api/map/getCmbData?cityName={city}&type=B"

        try:
            response = requests.get(url, headers={'User-Agent': 'Mozilla/5.0'}, timeout=10)

            if response.status_code == 200:
                data = response.json()

                if data['returnCode'] == 'SUC0000':
                    branches = data['body']
                    count = len(branches)

                    # 打印每个城市的返回条数
                    print(f"城市：{city}，{count}条")

                    # 写入数据
                    for branch in branches:
                        writer.writerow([
                            city,
                            branch['branchNo'],
                            branch['lat'],
                            branch['lng'],
                            branch['name'],
                            branch['type']
                        ])
                else:
                    print(f"城市：{city}，请求失败: {data['errorMsg']}")
            else:
                print(f"城市：{city}，HTTP错误: {response.status_code}")

        except Exception as e:
            print(f"城市：{city}，请求时发生错误: {e}")

print(f"所有数据已保存到 {output_filename}")

这里有一个tips：1、tpye：B对应的是营业网点，tpye：C对应的是自助银行，tpye：A对应的是自动柜员机"，如果需要修改查询类型，可直接修改type；

获取数据标签如下：城市、branchNo（营业厅编号）、lat&lng（地理坐标）、name（营业厅名称）、type（查询类型），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：

招商银行（CMB）在中国大陆的网点分布呈现出显著的区域不均衡性。东部沿海地区是其网点布局的核心区域，尤其是长三角（上海、江苏、浙江）、珠三角（广东）、京津冀（北京、天津、河北）等经济高度发达地区。这些区域城市化进程快、人口密集、商业活动活跃，对综合性金融服务的需求旺盛，因此招商银行在此类地区实现了高密度覆盖，充分体现了其对重点经济圈的战略聚焦。

相比之下，中部地区如河南、湖北、湖南等地虽有一定数量的网点布局，但整体密度仍低于东部沿海；而西部及东北地区的网点分布则明显稀疏，尤其在新疆、青海、西藏、内蒙古等偏远省份，网点数量极少甚至存在空白区域，这主要受限于当地人口密度低、经济总量较小以及运营成本较高等因素。

在城市层级上，一线城市（北京、上海、广州、深圳）的网点数量最多，几乎覆盖所有城区，展现出招商银行在核心市场的深度渗透与品牌影响力。同时，省会城市及重要经济节点城市，如成都、武汉、杭州、南京等，也是网点集中布局的重点区域，反映出其“以中心城市带动区域发展”的渠道策略，城乡金融服务差距显著。在大城市及其周边卫星城，网点高度密集，形成了高效便捷的“15分钟金融服务圈”，能够全面满足居民和企业的存贷汇、理财、对公等多元需求；而在广大农村及偏远县域，物理网点数量极少，服务主要依赖数字化渠道，凸显出传统银行服务在地理覆盖上的局限性。

从战略角度看，招商银行作为国内零售银行业务的领军者，其网点布局与人口集聚度、消费活力和财富水平高度匹配，充分契合其“轻型银行”和“金融科技银行”的双轮驱动战略。在高密度城市区域，招商银行持续推进智慧网点建设，广泛部署智能柜员机、VTM远程柜员、AI客服等科技设备，提升服务效率，释放人力专注于财富管理等高附加值业务。而在低密度区域，则更多通过手机银行、掌上生活App等线上平台实现服务延伸，实现"线下精耕、线上广覆"的协同发展模式。

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。