免费编程软件「python+pycharm」
链接：https://pan.quark.cn/s/48a86be2fdc0
引言：为什么需要批量压缩图片？
手机拍摄的4K照片动辄10MB，单反相机拍摄的RAW格式图片更是高达50MB以上。当需要分享旅行照片、上传电商产品图或管理设计素材库时，庞大的图片体积会带来诸多困扰：云存储空间快速耗尽、网页加载速度变慢、邮件发送附件受限……批量压缩图片成为解决这些问题的关键手段。
通过Python脚本实现自动化压缩，不仅能精准控制压缩参数，还能批量处理成百上千张图片。相比在线工具，本地脚本无需上传隐私图片，处理速度更快；相比专业软件，Python方案无需付费且可高度定制。本文将通过实际案例，展示如何用50行代码构建高效图片压缩工具。
一、核心原理：如何实现图片压缩？
图片压缩主要通过两种技术路径实现，Python的Pillow库完美支持这两种方式：
1. 尺寸压缩：降低分辨率
原始图片尺寸为4000×3000像素，若目标设备仅需1920×1080显示，直接缩小尺寸可减少75%像素量。Pillow的thumbnail()方法能自动保持宽高比进行缩放：
from PIL import Image img = Image.open("photo.jpg") img.thumbnail((1920, 1080)) # 保持比例缩放2. 质量压缩：优化编码
JPEG格式通过调整质量参数（1-100）控制压缩强度。质量值越低，文件越小但可能产生噪点。实测显示，质量85时人眼难以察觉差异，但文件体积可减少60%：
img.save("compressed.jpg", quality=85, optimize=True)3. 智能组合策略
最佳实践是同时应用尺寸和质量压缩。例如将4000×3000图片缩小至1920×1440后，再设置质量85，实测5.2MB原图可压缩至320KB，体积减少94%而肉眼几乎无差别。
二、基础脚本：50行代码实现批量压缩
以下脚本支持递归处理子目录，自动创建输出文件夹，并显示压缩进度：
import os from PIL import Image from pathlib import Path def compress_image(input_path, output_path, max_size=1920, quality=85): """压缩单张图片""" try: with Image.open(input_path) as img: # 转换模式处理透明通道 if img.mode in ("RGBA", "P"): img = img.convert("RGB") # 按比例缩放 img.thumbnail((max_size, max_size), Image.LANCZOS) # 保存为JPEG格式 output_path = output_path.with_suffix('.jpg') img.save(output_path, "JPEG", optimize=True, quality=quality) # 计算压缩率 orig_size = os.path.getsize(input_path) new_size = os.path.getsize(output_path) ratio = (1 - new_size / orig_size) * 100 print(f"✅ {Path(input_path).name}: {orig_size//1024}KB → {new_size//1024}KB (节省{ratio:.1f}%)") except Exception as e: print(f"❌ 压缩失败 {input_path}: {e}") def batch_compress(input_folder, output_folder, max_size=1920, quality=85): """批量处理文件夹""" input_path = Path(input_folder) output_path = Path(output_folder) output_path.mkdir(parents=True, exist_ok=True) # 支持的图片格式 supported_ext = ('.jpg', '.jpeg', '.png', '.bmp', '.tiff') # 遍历所有图片文件 image_files = [ f for f in input_path.rglob('*') if f.suffix.lower() in supported_ext and f.is_file() ] if not image_files: print("⚠️ 指定文件夹中没有可处理的图片") return print(f"🔍 找到 {len(image_files)} 张图片，开始压缩...") for img_file in image_files: rel_path = img_file.relative_to(input_path) out_file = output_path / rel_path.with_stem(f"{rel_path.stem}_compressed") compress_image(img_file, out_file, max_size, quality) print(f"\n🎉 全部完成！压缩后图片保存在: {output_folder}") if __name__ == "__main__": batch_compress("./photos", "./compressed", max_size=1200, quality=75)脚本特性说明：
- 智能路径处理：使用
Path.rglob()递归查找所有子目录中的图片 - 透明通道处理：自动将PNG的RGBA模式转换为RGB，避免JPEG保存错误
- 进度可视化：实时显示每张图片的压缩前后大小及节省比例
- 安全设计：输出路径自动创建，避免因目录不存在导致的错误
三、进阶优化：满足不同场景需求
1. 动态质量调整（SSIM算法）
对于需要极致压缩的场景，可通过结构相似性（SSIM）评估图片质量损失，动态调整压缩参数：
from math import log from SSIM_PIL import compare_ssim # 需安装pyssim库 def get_ssim_at_quality(photo, quality): """计算指定质量下的SSIM值""" temp_path = "temp.jpg" photo.save(temp_path, format="JPEG", quality=quality, progressive=True) ssim_score = compare_ssim(photo, Image.open(temp_path)) os.remove(temp_path) return ssim_score def find_optimal_quality(original_photo, target_ssim=0.95): """二分法寻找最优质量参数""" low, high = 70, 95 while high - low > 2: mid = (high + low) // 2 if get_ssim_at_quality(original_photo, mid) < target_ssim: low = mid else: high = mid return high # 使用示例 img = Image.open("photo.jpg") optimal_quality = find_optimal_quality(img) img.save("optimized.jpg", quality=optimal_quality)2. 格式转换优化
对于截图、图标等简单图形，转换为PNG格式并启用调色板优化可获得更好效果：
def compress_png(input_path, output_path, palette_size=256): """PNG无损压缩""" img = Image.open(input_path) if img.mode == "RGB": # 生成最优调色板 palleted_img = img.convert( 'P', palette=Image.ADAPTIVE, colors=palette_size ) palleted_img.save( output_path, optimize=True, compress_level=9 # 最大压缩级别 )3. 多线程加速处理
处理大量图片时，使用多线程可显著提升速度：
from concurrent.futures import ThreadPoolExecutor def parallel_compress(input_folder, output_folder, max_workers=4): """多线程压缩""" image_files = [f for f in Path(input_folder).rglob('*') if f.suffix.lower() in ('.jpg', '.png') and f.is_file()] with ThreadPoolExecutor(max_workers=max_workers) as executor: for img_file in image_files: rel_path = img_file.relative_to(input_folder) out_file = Path(output_folder) / rel_path.with_stem(f"{rel_path.stem}_compressed") executor.submit( compress_image, img_file, out_file, max_size=1200, quality=75 )四、实战案例：电商图片处理流程
某电商团队需要处理5000张产品图，要求：
- 统一尺寸为800×800像素
- JPEG质量设置为80
- 保留原始文件名并添加"_web"后缀
- 生成处理报告
解决方案：
import pandas as pd from datetime import datetime def ecommerce_compress(input_folder, output_folder): """电商图片专用压缩流程""" results = [] start_time = datetime.now() for img_file in Path(input_folder).rglob('*.jpg'): try: # 创建输出路径 rel_path = img_file.relative_to(input_folder) out_file = Path(output_folder) / rel_path.with_stem(f"{rel_path.stem}_web") out_file.parent.mkdir(parents=True, exist_ok=True) # 压缩处理 with Image.open(img_file) as img: # 强制正方形裁剪（需先安装opencv-python） # import cv2 # img = cv2.resize(np.array(img), (800,800)) # img = Image.fromarray(img) # 简单缩放方案 img.thumbnail((800, 800), Image.LANCZOS) img.save(out_file, "JPEG", quality=80, optimize=True) # 记录结果 results.append({ "文件名": img_file.name, "原始大小(KB)": os.path.getsize(img_file)//1024, "压缩后(KB)": os.path.getsize(out_file)//1024, "状态": "成功" }) except Exception as e: results.append({ "文件名": img_file.name, "原始大小(KB)": "-", "压缩后(KB)": "-", "状态": f"失败: {str(e)}" }) # 生成报告 df = pd.DataFrame(results) report_path = Path(output_folder) / f"压缩报告_{datetime.now().strftime('%Y%m%d')}.csv" df.to_csv(report_path, index=False) print(f"\n处理完成！耗时: {(datetime.now()-start_time).seconds}秒") print(f"详细报告已生成: {report_path}") # 使用示例 ecommerce_compress("./raw_images", "./web_images")五、常见问题解决方案
1. 处理透明背景图片
错误做法：直接保存为JPEG会丢失透明通道
正确方案：
def handle_transparency(input_path, output_path): img = Image.open(input_path) if img.mode == "RGBA": # 创建白色背景 background = Image.new("RGB", img.size, (255, 255, 255)) background.paste(img, mask=img.split()[-1]) background.save(output_path, "JPEG", quality=85) else: img.save(output_path, "JPEG", quality=85)2. 保留EXIF信息
使用piexif库可保留照片的拍摄参数：
import piexif def save_with_exif(img, output_path, quality=85): """保存图片并保留EXIF信息""" exif_dict = piexif.load(img.info['exif']) if 'exif' in img.info else {} img.save( output_path, "JPEG", quality=quality, exif=piexif.dump(exif_dict) )3. 处理超大图片
对于超过100MB的TIFF格式图片，需先分块处理：
from PIL import ImageSequence def process_large_tiff(input_path, output_path): """分块处理超大TIFF文件""" with Image.open(input_path) as img: for i, page in enumerate(ImageSequence.Iterator(img)): page.thumbnail((4000, 4000)) # 先缩小尺寸 page.save( f"{output_path}_page{i}.jpg", "JPEG", quality=80, optimize=True )六、性能对比：不同压缩方案效率
| 方案 | 处理速度 | 压缩率 | 质量损失 | 适用场景 |
|---|---|---|---|---|
| 单纯尺寸压缩 | ★★★★★ | 中 | 无 | 网页显示 |
| 质量85压缩 | ★★★★ | 高 | 轻微 | 电商产品图 |
| SSIM动态质量调整 | ★★★ | 极高 | 极小 | 高端摄影作品 |
| PNG调色板优化 | ★★ | 中 | 无 | 简单图形/图标 |
| 多线程处理 | ★★★★★ | 高 | 同单线程 | 批量处理 |
实测数据显示：5000张图片处理时，单线程需2小时，8线程方案仅需25分钟。
七、总结：构建个性化图片处理流水线
通过组合本文介绍的技术模块，可构建满足不同需求的图片处理系统：
- 基础版：尺寸+质量压缩（适合大多数场景）
- 电商版：正方形裁剪+水印添加+EXIF保留
- 摄影版：SSIM动态质量+渐进式JPEG
- 极速版：多线程处理+缓存机制
建议从基础脚本开始，根据实际需求逐步添加功能模块。对于非技术用户，可使用PyInstaller将脚本打包为EXE文件，无需安装Python环境即可运行。
图片压缩的本质是在文件体积与视觉质量间寻找平衡点。掌握这些技术后，您不仅能节省存储空间，更能为网站加速、移动应用优化等场景提供关键支持。
