如果你向餐厅销售产品——送餐技术、营销服务、POS 系统、忠诚度应用——你一定知道最麻烦的第一步：找到餐厅。不是随便找餐厅，而是真正匹配你 ICP 的餐厅：特定菜系、特定城市、在 UberEats 上线。

常规流程通常是：打开 UberEats，在某个城市搜索“pizza”，滚动页面，把名称和 URL 复制到电子表格，再切换城市，重复操作。对于覆盖 20 个城市的区域，这意味着在你发送第一封邮件前，就已经耗费了整整一下午。

我厌倦了手动操作，于是用 Apify 上的 UberEats Stores Search by Location and Keyword 角色实现了自动化——大约 10 分钟就搭建起一套真正的线索列表管道。

思路

该角色只需两个简单输入——一份外卖地址列表和一个搜索关键词——就能返回每家匹配店铺的结构化数据：名称、UberEats URL、评分、评分数量、预计送达时间、城市和图片。无需浏览器、无需手动滚动、无需解析 HTML。

对于线索生成而言，这意味着：选择目标城市、输入关键词（一种菜系，或甚至是竞争对手的品牌名称，以找到尚未采用该技术的餐厅），就能得到一份干净的数据集，可直接筛选并导出到 CRM。

演练：Python + Apify 客户端

安装客户端：

pip install apify-client

针对一批目标城市调用该角色：

from apify_client import ApifyClient

client = ApifyClient("YOUR_APIFY_TOKEN")

run_input = {
    "locations": [
        "85 Marsh St, Newark, NJ 07114, USA",
        "95th Ave, Ozone Park, NY 11416, USA",
        "1600 Pennsylvania Ave NW, Washington, DC 20500, USA",
    ],
    "search_keyword": "pizza",
    "max_search_results": 50,
}

run = client.actor("datacach/ubereats-stores-search-by-location-and-keyword").call(run_input=run_input)

items = list(client.dataset(run["defaultDatasetId"]).iterate_items())

每条数据格式如下：

{
  "store_uuid": "35e7a890-3f2a-5948-815e-7a2a3cb77d1f",
  "name": "Pizza Near Me",
  "url": "https://www.ubereats.com/store/pizza-near-me/NeeokD8qWUiBXnoqPLd9Hw",
  "estimated_time_to_delivery": "20 min",
  "rating": 4.53,
  "rating_count": "14",
  "city": "Newark",
  "country_code": "US",
  "input": { "search_location": "85 Marsh St, Newark, NJ 07114, USA" }
}

转化为线索列表

将其载入 DataFrame 并整理成销售团队可直接使用的数据：

import pandas as pd

df = pd.DataFrame(items)
df["rating_count"] = pd.to_numeric(df["rating_count"], errors="coerce")

# 高评分、低评论量：有机表现良好但营销/技术投入较少的餐厅——是最佳外联目标。
leads = df[(df["rating"] >= 4.3) & (df["rating_count"] < 50)]

leads = leads[["name", "city", "url", "rating", "rating_count", "estimated_time_to_delivery"]]
leads.to_csv("restaurant_leads.csv", index=False)

这个筛选条件只是起点——你可以根据自己的卖点调整过滤逻辑。实践中有效的几个信号：

  • 送达时间较长（estimated_time_to_delivery > 40 min）→ 推销物流/运营工具
  • 大城市但评论数量少→ 推销营销/曝光服务
  • 用竞争对手的品牌名称搜索而非菜系→ 找出正在使用特定 POS 或纯外卖概念的所有门店，以便清楚哪些已经采用，哪些尚未采用

无论如何，最终你都会得到一份包含名称、URL、地理位置的潜在客户 CSV 文件——可直接导入任何外联工具。

为什么优于自行抓取

你可以自己编写针对 UberEats 的爬虫，但你将永远需要维护反机器人处理、分页逻辑和页面结构变化，才能拿到一份餐厅名称列表。而该角色已经完成了这些工作——你只需输入城市和关键词，就能获得 JSON 数据。它也极易重复执行：每月针对每个区域重新运行一次，就能获得一份自动更新的线索管道，而非一份很快过时的静态列表。

如果你想先在自己的城市试用上述流程，再扩展到整个区域，可使用免费计划（每次运行 1 个位置、10 条结果）。

试用

如果你用此方法搭建了线索管道，我很想知道你最终使用了哪些过滤条件或信号——欢迎在评论区分享。