在电商图片处理中，有一类工作非常适合用脚本解决：把一批尺寸不同的商品图片统一成固定尺寸，同时保留商品原有比例，在四周增加留白，最后输出为适合网页使用的 JPEG 图片。

这类任务单张处理并不复杂，但当图片数量达到几十张甚至几百张时，手工操作就会变得比较重复。

本文使用 Python 和 Pillow 实现一个简单的批处理脚本，完成以下几个步骤：

这套方法不依赖图形化软件，适合需要批量整理图片素材的场景。

假设手里有一批商品图片，原始尺寸可能并不一致：

sku_001.jpg    3000 × 2000
sku_002.jpg    2400 × 1600
sku_003.jpg    2000 × 2000
sku_004.jpg    4032 × 3024
...


如果直接把这些图片上传到同一个页面，可能会出现商品大小不一致、图片比例不同等问题。

一种简单的处理方式，是统一输出为：

因为这样会强行改变原图比例。

例如一张 3000×2000 的图片直接缩放到 800×800，原来的 3:2 比例会变成 1:1，商品也会发生明显变形。

原图
 ↓
保持比例缩放
 ↓
放入 800×800 白色画布
 ↓
居中
 ↓
输出 JPEG


 可以在指定尺寸范围内缩放图片，同时保持原始宽高比。

安装完成之后，可以使用下面的命令检查是否安装成功：

python -c "from PIL import Image; print(Image.__version__)"


实际使用时，不要求必须和本文版本完全一致。

image_batch/
├── input/
├── output/
└── batch_process.py


image_batch/
├── input/
│   ├── sku_001.jpg
│   ├── sku_002.jpg
│   ├── sku_003.jpg
│   └── ...
├── output/
└── batch_process.py


这样做的好处是原图和处理结果分开保存，避免脚本运行过程中覆盖原始文件。

正式处理整个目录之前，可以先完成单张图片的处理逻辑。

from PIL import Image, ImageOps

input_file = "input/sku_001.jpg"
output_file = "output/sku_001.jpg"

with Image.open(input_file) as image:
    # 自动处理部分照片的方向信息
    image = ImageOps.exif_transpose(image)

    # JPEG 使用 RGB 模式
    image = image.convert("RGB")

    # 在 800×800 范围内保持比例缩放
    resized = ImageOps.contain(image, (800, 800))

    # 创建白色画布
    canvas = Image.new("RGB", (800, 800), "white")

    # 计算居中位置
    x = (800 - resized.width) // 2
    y = (800 - resized.height) // 2

    # 将缩放后的商品图放到画布中央
    canvas.paste(resized, (x, y))

    # 输出 JPEG
    canvas.save(
        output_file,
        "JPEG",
        quality=85,
        optimize=True
    )


部分照片的方向信息保存在 EXIF 元数据中。

如果直接处理，有些图片在读取、缩放或者转换之后可能出现方向不符合预期的问题。

所以在批量处理照片时，可以先进行一次方向校正。

会让图片在 800×800 的范围内缩放，同时保持原始比例。

原图：3000 × 2000

缩放后：
800 × 533


┌──────────────────┐
│                  │
│    商品图片      │
│                  │
└──────────────────┘


单张图片测试没有问题之后，就可以处理整个文件夹。

from pathlib import Path
from PIL import Image, ImageOps

INPUT_DIR = Path("input")
OUTPUT_DIR = Path("output")

TARGET_SIZE = (800, 800)
JPEG_QUALITY = 85

OUTPUT_DIR.mkdir(parents=True, exist_ok=True)

supported_formats = {
    ".jpg",
    ".jpeg",
    ".png",
    ".webp"
}

total = 0
success = 0
failed = 0

for input_file in INPUT_DIR.iterdir():

    if input_file.suffix.lower() not in supported_formats:
        continue

    total += 1

    try:
        with Image.open(input_file) as image:

            # 修正照片方向
            image = ImageOps.exif_transpose(image)

            # 转换为 RGB
            image = image.convert("RGB")

            # 保持比例缩放
            resized = ImageOps.contain(
                image,
                TARGET_SIZE
            )

            # 创建白色画布
            canvas = Image.new(
                "RGB",
                TARGET_SIZE,
                "white"
            )

            # 计算居中位置
            x = (TARGET_SIZE[0] - resized.width) // 2
            y = (TARGET_SIZE[1] - resized.height) // 2

            # 放置图片
            canvas.paste(
                resized,
                (x, y)
            )

            # 输出文件名统一使用 jpg
            output_file = OUTPUT_DIR / (
                input_file.stem + ".jpg"
            )

            # 保存
            canvas.save(
                output_file,
                "JPEG",
                quality=JPEG_QUALITY,
                optimize=True
            )

            success += 1

            print(
                f"[完成] {input_file.name}"
                f" -> {output_file.name}"
            )

    except Exception as e:
        failed += 1

        print(
            f"[失败] {input_file.name}: {e}"
        )

print("\n处理完成")
print(f"总文件数：{total}")
print(f"成功：{success}")
print(f"失败：{failed}")


 目录里面有 20 张图片，终端会逐张输出处理结果。

[完成] sku_001.jpg -> sku_001.jpg
[完成] sku_002.jpg -> sku_002.jpg
[完成] sku_003.jpg -> sku_003.jpg
...


处理完成
总文件数：20
成功：20
失败：0


为了避免直接拿“理论性能”当实验结果，我实际在本地做了一次测试。

这次测试没有使用真实客户商品图，而是程序生成了 20 张 3000×2000 的测试图片，用来模拟批量商品素材。

20张测试图片
        ↓
3000×2000
        ↓
保持比例缩放
        ↓
800×800白底画布
        ↓
JPEG质量85
        ↓
20张输出图片


测试图片数量：20
输入图片尺寸：3000 × 2000
输出图片尺寸：800 × 800

总处理时间：约 1.56 秒

输入图片平均大小：约 124.5 KB
输出图片平均大小：约 9.85 KB


从这次实验来看，批量处理 20 张图片的耗时并不高，输出文件体积也明显下降。

不过，这个结果只能说明当前测试环境下这组测试图片的处理情况，不能直接推导出真实商品图片的处理速度。

实际项目中，图片分辨率、文件格式、压缩参数、CPU 性能以及图片内容都会影响最终结果。

七、为什么输出图片明显变小？

 会进行额外的编码优化。官方文档也提醒，JPEG 质量设置过高会明显增加文件大小，而画质提升并不一定与文件体积增加成正比。

因此，图片处理不能简单追求：

如果图片最终用于网页展示，通常需要在清晰度和文件体积之间做平衡。

八、如果商品图不是正方形怎么办？

这是实际使用中比较容易遇到的问题。

Python + Pillow 批量处理电商商品图：统一尺寸、留白与图片压缩实践

编程语言

开发工具

后端

使用Python与Pillow实现商品图片批量处理脚本，自动保持比例缩放至800×800白色画布，居中留白并输出优化JPEG。支持EXIF方向校正、批量转换、耗时统计，实测20张3000×2000图片仅需1.56秒，文件体积平均缩减92%，适合电商素材统一整理场景。

图片处理

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

Python + Pillow 批量处理电商商品图：统一尺寸、留白与图片压缩实践

Python + Pillow 批量处理电商商品图：统一尺寸、留白与图片压缩实践

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐