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。
代理IP在实时交通数据采集的作用.png

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：

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

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)

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

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)

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
    )

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

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)

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)
)

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。

Python批量压缩图片：节省存储空间的实用脚本

使用示例

使用示例

热门文章

最新文章

相关电子书

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

Python批量压缩图片：节省存储空间的实用脚本

使用示例

使用示例

热门文章

最新文章

相关电子书