追踪Costco汽油价格

# 全球燃油危机期间追踪Costco汽油价格 来源：https://www.jack.bio/blog/costco-gas-tracking 所有发布的观点和内容均为个人观点，不代表任何现任或前任雇主的立场。本站为个人维护的技术分享平台，技术内容仅供教育交流用途。 Costco实时汽油价格看板 **摘要：** 在霍尔木兹海峡燃料危机期间，我追踪了600个Costco加油站的汽油价格波动，并绘制了价格变化地图。 查看实时看板（https://www.jack.bio/costcogas） 四月时，我恰好住在两个Costco仓库之间。多年来每次需要加油时，我都会在心里进行同样的计算：这两个仓库哪个本周实际更优惠。 遗憾的是，Costco从未集中公布汽油价格。官方网站将价格分散在各个仓库页面中，而我附近两个仓库的标价往往不同。众所周知，Costco的汽油业务属于引流亏本商品，通常比周边加油站便宜15至20美分。这个差价通常足以让绕路加油值得考虑，但不足以让我在两个仓库间做出明确选择。 随着那个春天油价攀升，作为坦帕市的通勤者——这座几乎没有公共交通的扩张型城市——我对加油地点变得愈发敏感。我开始特别好奇Costco的定价策略：他们的油价是否与其他加油站同步上涨？如果油价持续攀升，Costco还能继续将汽油作为引流商品吗？ 当时缺乏可靠的历史趋势观察工具。因此，我自然而然地决定构建一个追踪系统。 ## 大规模采集汽油数据 遗憾的是，数据采集可能是整个项目中最简单的环节。虽然我很想分享类似华夫饼屋故事（https://www.jack.bio/blog/wafflehouse）那样的酷炫逆向工程方法，但Costco在数据采集方面几乎没有设置障碍。 初步挖掘Costco网站时，我发现了`AjaxGetGasPricesService`这个端点。它接受以`ID1_ID2_ID3_ID4`格式输入的仓库ID——用下划线作为数组分隔符是个有趣的设计！这个端点很有用，但并非完全符合需求：我还需要每个仓库的位置数据，以便进行地图标注并计算实际驾车距离。 进一步挖掘后，我找到了完全符合需求的接口：`AjaxWarehouseBrowseLookupView`。正如其名，该函数通过输入经纬度参数检索仓库信息。更妙的是，`populateWarehouseDetails`参数能在响应中包含几乎所有Costco相关信息：地址、营业时间、服务项目、美食广场可用性（！），以及最重要的汽油价格。 ``` GET /AjaxWarehouseBrowseLookupView ?latitude=27.95 &longitude=-82.45 &hasGas=true &populateWarehouseDetails=true &countryCode=US ``` `populateWarehouseDetails`唯一的缺点是返回的响应体数据量*极其庞大*。虽然我很想一次性获取全美所有Costco数据，但该API每次请求最多返回50个仓库，且按距离排序。为了实现全国覆盖，我需要对地图进行系统性扫描。 ### 全国价格扫描策略 实施方案相当简单：在全国范围内布置坐标网格，逐点扫描，并对返回的仓库ID进行去重。考虑到约600个Costco网点，每个响应返回50个，使用3度间隔的网格覆盖美国本土，再加上阿拉斯加和夏威夷的几个手动选取点，重叠范围已足够捕获所有仓库。 ```python def grid_points(step: int = 3) -> list[tuple[float, float]]: points = [] for lat in range(25, 50, step): for lng in range(-125, -65, step): points.append((float(lat), float(lng))) points.extend([ (61.2, -149.9), # 安克雷奇 (64.8, -147.7), # 费尔班克斯 (21.3, -157.8), # 檀香山 (20.9, -156.5), # 卡胡鲁伊 ]) return points ``` 我限制了并发请求数量以避免冲击服务器，并为极少数失败请求添加了自动重试机制。 ```python async def fetch_all_costcos() -> list[CostcoStation]: points = grid_points() seen: dict[int, CostcoStation] = {} semaphore = asyncio.Semaphore(CONCURRENCY) async with httpx.AsyncClient(headers=HEADERS, timeout=30) as client: tasks = [fetch_point(client, lat, lng, semaphore, ts) for lat, lng in points] results = await asyncio.gather(*tasks) for result in results: for station in result: seen.setdefault(station.id, station) return list(seen.values()) ``` 整个扫描过程耗时不到60秒，一次性获取了全美所有Costco加油站的当前价格、地址和坐标！ ## 数据存储方案 扫描系统运行成功后，需要确定数据存储位置。由于项目核心是追踪价格随时间的变化，这本质上是时间序列问题：相同约600个仓库被持续反复采样，且需保留所有历史记录以便回溯分析每个网点的变化趋势。 幸运的是，TimescaleDB是理想的解决方案。作为PostgreSQL的扩展，它既保留了我熟悉的查询语言和工具链，又叠加了时间序列特性。更重要的是它免费且易于部署（感谢TigerData！），这对个人技术项目而言正是我们需要的基础设施特性。 数据存储解决后，需要构建展示界面。没有采用复杂方案：基于Next.js快速构建应用，使用Tailwind CSS美化界面避免电子表格观感，经历与Cloudflare Workers部署斗争的些许挫败午后，最终形成了可搜索的Costco汽油价格实时数据库。 但独自享用成果毫无趣味。当系统初具雏形时，我为每个追踪的加油站创建独立页面，并允许搜索引擎收录所有页面。这样下次有人站在Costco停车场犹豫该去哪个仓库时，就无需像我当初那样逆向工程API，直接搜索即可获取信息。 ## 最终分析：油价真的在下降吗？ 项目启动于霍尔木兹海峡危机引发石油市场动荡不久。这个狭窄的咽喉要道对全球油轮运输至关重要，仅是关闭威胁就足以引发油价飙升。 当然，我需要这些数据满足个人需求，但内心总有个声音驱使我去探寻超越个人钱包的答案。 在持续追踪的155天中（实时数据！），Costco共执行了38,101次独立价格调整，日均246次变动，覆盖约600个仓库。总体来看，降价（Cuts）更胜一筹：20,535次降价对比17,566次涨价，降价比涨价多约2,969次。 **每日价格变动** 涨价次数 vs 降价次数 点击或拖动探索数据 **关键事件标注** 2026年6月17日：美伊协议签署 2026年7月2日：协议破裂 2026年7月23日：油轮再遭袭击 2026年8月13日：胡塞武装袭击油轮 那么，我究竟得出了什么结论？即便是实力雄厚的Costco也无法完全摆脱霍尔木兹海峡局势的影响。这个将汽油业务视为“四舍五入误差”的企业，最终仍需顺应市场波动……只是时间问题而已。 我以理性的方式回应了这个发现——在花费数月完善这套每箱油节省几美分的系统后，我将本田CR-V换成了特斯拉Model Y，现在每月支付的车贷比追逐两个仓库间15美分差价所能节省的总额还要多。当我终于拥有回答“该去哪个Costco”的技术架构时，我却让这个提问对我个人而言永久失去了意义。 如果觉得车牌眼熟（或不熟），建议阅读我的[另一篇文章](https://www.jack.bio/blog/licenseplate)，了解如何获得佛罗里达州最优雅的双字母车牌组合。 *特别感谢Kai (https://x.com/mcmgoodall)、Neesh (https://x.com/Neesh774)、Ari (https://x.com/aridutilh)、Landon、Mark和Jaden的校对工作，以及Creamcheese Babgel团队的其他成员。 <3* *——戴着车牌的阿尔宙斯*