python批量图片处理主要有两种方案：1. 使用os.listdir()和pillow库逐个处理图片，简单易懂但效率低；2. 利用multiprocessing库实现多进程并行处理，显著提升效率，但需根据cpu核心数选择进程数。 选择方案需考虑图片数量、处理需求和性能要求，并注意异常处理，确保程序稳定运行。
Python 图片批量处理：不止一种姿势
你是否厌倦了手动处理成堆的图片？ 是不是梦想过一键搞定图片格式转换、尺寸调整、水印添加等等繁琐操作？ 这篇文章，咱们就来聊聊用 Python 如何优雅地批量处理图片，并且深入探讨几种不同方案的优劣，以及那些你可能在实践中会遇到的坑。读完之后，你不仅能掌握几种实用的方法，更能提升你对 Python 图片处理和性能优化的理解。
先说基础。我们需要几个关键的库：Pillow（PIL 的升级版，图片处理神器）、os（文件系统操作）。 安装它们很简单，直接用 pip： pip install Pillow pip install os 。 记住，选择合适的工具是成功的关键，Pillow 的易用性和功能丰富性，让它成为我的首选。
咱们的核心是批量处理，这意味着要遍历文件夹，处理每张图片。 最简单的方案，用 os.listdir() 获取文件列表，然后用 Pillow 的函数逐个处理。 这就像用小铲子挖土，虽然能完成任务，但效率嘛……
立即学习“Python免费学习笔记（深入）”；
from PIL import Imageimport osdef simple_batch_process(input_dir, output_dir, func): """ 简单的批量图片处理函数 """ for filename in os.listdir(input_dir): if filename.endswith(('.jpg', '.jpeg', '.png')): # 只处理图片文件 filepath = os.path.join(input_dir, filename) try: img = Image.open(filepath) processed_img = func(img) # 应用自定义处理函数 output_path = os.path.join(output_dir, filename) processed_img.save(output_path) except Exception as e: print(f"Error processing {filename}: {e}")# 例如，一个调整图片大小的函数：def resize_image(img, size=(100,100)): return img.resize(size)# 使用示例：input_folder = "input_images"output_folder = "output_images"simple_batch_process(input_folder, output_folder, resize_image)这种方法简单易懂，但效率不高，尤其当图片数量巨大时，会非常慢。 这是因为它是同步处理，一个图片处理完才能处理下一个。 想象一下，同时处理多个图片，效率会提升多少？
这就引出了更高级的方案：多进程处理。 Python 的 multiprocessing 库能轻松实现并行处理。 我们把图片处理任务分配给多个进程，让它们同时工作，大大缩短处理时间。
from PIL import Imageimport osfrom multiprocessing import Pooldef process_image(filepath, output_dir, func): try: img = Image.open(filepath) processed_img = func(img) filename = os.path.basename(filepath) output_path = os.path.join(output_dir, filename) processed_img.save(output_path) except Exception as e: print(f"Error processing {filepath}: {e}")def parallel_batch_process(input_dir, output_dir, func, num_processes=4): image_files = [os.path.join(input_dir, f) for f in os.listdir(input_dir) if f.lower().endswith(('.jpg', '.jpeg', '.png'))] with Pool(processes=num_processes) as pool: pool.starmap(process_image, [(f, output_dir, func) for f in image_files])# 使用示例 (与之前相同)parallel_batch_process(input_folder, output_folder, resize_image)注意：进程数的选择要根据你的CPU核心数来决定，并非越多越好。 过多进程反而会因为上下文切换而降低效率。
当然，还有更高级的技巧，比如使用异步IO或者更底层的库来优化性能，但这需要更深入的理解和更复杂的代码。 选择哪种方案，取决于你的图片数量、处理需求以及你对性能的要求。 记住，代码的可读性和可维护性同样重要，不要为了追求极致性能而写出难以理解的代码。 选择适合你项目规模和复杂度的方案才是最明智的。 别忘了处理异常，防止因为个别图片问题导致整个程序崩溃。 这才是真正的大牛之道。
