Nano-Banana与Python集成实战：自动化图像生成脚本开发

Nano-Banana与Python集成实战：自动化图像生成脚本开发

1. 引言：当创意遇上自动化

你有没有遇到过这样的情况：深夜灵感迸发，想要快速生成一系列视觉素材，却不得不手动一张张上传图片、输入描述、等待生成？或者作为内容创作者，每天需要批量制作商品图、社交配图，重复操作让你疲惫不堪？

这就是为什么我们需要自动化。今天，我将带你探索如何将Nano-Banana的强大图像生成能力与Python的自动化优势结合起来，打造属于你自己的智能图像生成流水线。无论你是开发者、设计师，还是内容创作者，这套方案都能让你的创作效率提升数倍。

2. 环境准备与基础配置

2.1 安装必要的Python库

首先，让我们准备好工具包。打开终端，运行以下命令：

pip install requests pillow python-dotenv

这些库各司其职：requests用于API调用，Pillow处理图像，python-dotenv管理敏感信息。

2.2 获取API访问权限

要使用Nano-Banana，你需要一个API密钥。推荐使用国内直连服务，访问稳定且性价比更高。注册后，在控制台找到你的API密钥，我们稍后会用到。

3. 核心API调用实战

3.1 最简单的图像生成示例

让我们从一个基础例子开始，感受一下API的威力：

import requests import json def generate_basic_image(api_key, prompt, output_path="generated_image.png"): """生成基础图像""" url = "https://api.example.com/v1/draw/nano-banana" # 替换为实际API端点 headers = { "Content-Type": "application/json", "Authorization": f"Bearer {api_key}" } payload = { "model": "nano-banana-pro", "prompt": prompt, "aspectRatio": "1:1", "imageSize": "2K" } try: response = requests.post(url, headers=headers, json=payload, timeout=120) if response.status_code == 200: result = response.json() if result.get("status") == "succeeded": image_url = result["results"][0]["url"] # 下载图像 image_response = requests.get(image_url) with open(output_path, 'wb') as f: f.write(image_response.content) print(f"✅ 图像已保存至: {output_path}") return output_path else: print(f"生成失败: {response.status_code}") except Exception as e: print(f"请求异常: {str(e)}") return None # 使用示例 api_key = "你的API密钥" generate_basic_image(api_key, "一只可爱的柯基犬在花园里玩耍，阳光明媚")

这个简单的函数已经能完成基本的图像生成任务。传入不同的描述，就能得到相应的图像。

3.2 高级参数配置详解

Nano-Banana提供了丰富的参数来控制生成效果：

def generate_advanced_image(api_key, prompt, reference_urls=None, aspect_ratio="1:1", image_size="2K", style="realistic"): """高级图像生成配置""" payload = { "model": "nano-banana-pro", "prompt": prompt, "aspectRatio": aspect_ratio, # 支持"1:1", "16:9", "9:16", "4:3" "imageSize": image_size, # 可选"1K", "2K", "4K" "style": style, # 风格选项 "urls": reference_urls or [] # 参考图像URL列表 } # 添加更多高级选项 advanced_options = { "detailLevel": "high", # 细节级别 "colorPalette": "vibrant", # 色彩风格 "lighting": "natural" # 光照效果 } payload.update(advanced_options) return payload

4. 批量处理实战技巧

4.1 读取和处理输入数据

批量处理的核心是自动化读取输入和保存输出。假设我们有一个CSV文件包含生成参数：

import csv from pathlib import Path def process_batch_from_csv(api_key, csv_file_path, output_dir="batch_output"): """从CSV文件批量处理""" Path(output_dir).mkdir(exist_ok=True) with open(csv_file_path, 'r', encoding='utf-8') as file: reader = csv.DictReader(file) for i, row in enumerate(reader): prompt = row['prompt'] filename = f"{output_dir}/image_{i:03d}.png" print(f"正在生成第 {i+1} 张图像: {prompt[:50]}...") generate_basic_image(api_key, prompt, filename) # 避免频繁请求，添加适当延迟 time.sleep(2)

4.2 智能错误处理和重试机制

网络请求难免会遇到问题，健壮的代码需要处理这些情况：

def robust_image_generation(api_key, prompt, max_retries=3, output_path=None): """带重试机制的图像生成""" for attempt in range(max_retries): try: result = generate_basic_image(api_key, prompt, output_path) if result: return result except requests.exceptions.Timeout: print(f"超时重试 {attempt + 1}/{max_retries}") time.sleep(5 * (attempt + 1)) # 指数退避 except Exception as e: print(f"尝试 {attempt + 1} 失败: {str(e)}") if attempt == max_retries - 1: raise return None

5. 实际应用场景示例

5.1 电商商品图批量生成

电商运营经常需要为大量商品生成展示图：

def generate_ecommerce_images(api_key, product_list): """生成电商商品图像""" base_prompt = "专业产品摄影，{product}在纯白背景上，光线柔和，细节清晰" for product in product_list: prompt = base_prompt.format(product=product) filename = f"ecommerce/{product.replace(' ', '_')}.png" generate_basic_image(api_key, prompt, filename)

5.2 社交媒体内容创作

内容创作者可以自动化生成每日推文配图：

def generate_social_media_content(api_key, topics, output_dir="social_media"): """生成社交媒体内容""" styles = { "inspirational": "励志名言风格，柔和光线，优雅排版", "educational": "信息图风格，清晰布局，重点突出", "promotional": "促销海报风格，醒目色彩，行动号召" } for topic, style in zip(topics, styles): prompt = f"{topic} - {styles[style]}" generate_advanced_image(api_key, prompt, style=style)

6. 性能优化与最佳实践

6.1 并发处理提升效率

对于大批量任务，可以使用并发来显著提升速度：

from concurrent.futures import ThreadPoolExecutor def concurrent_batch_generation(api_key, prompts, max_workers=5): """并发批量生成图像""" with ThreadPoolExecutor(max_workers=max_workers) as executor: futures = [] for i, prompt in enumerate(prompts): future = executor.submit( generate_basic_image, api_key, prompt, f"concurrent_output/image_{i}.png" ) futures.append(future) # 等待所有任务完成 for future in futures: future.result()

6.2 成本控制策略

API调用会产生费用，合理的控制策略很重要：

class CostAwareGenerator: """成本感知的图像生成器""" def __init__(self, api_key, monthly_budget=100): self.api_key = api_key self.monthly_budget = monthly_budget self.usage_cost = 0 self.images_generated = 0 def generate_with_budget_check(self, prompt, output_path): """在预算内生成图像""" estimated_cost = 0.5 # 根据实际API定价调整 if self.usage_cost + estimated_cost > self.monthly_budget: print("⚠️ 月度预算已用完") return None result = generate_basic_image(self.api_key, prompt, output_path) if result: self.usage_cost += estimated_cost self.images_generated += 1 return result

7. 完整项目示例

下面是一个完整的自动化图像生成脚本示例：

import requests import time import csv from pathlib import Path from datetime import datetime import json class NanoBananaAutomation: """Nano-Banana自动化图像生成器""" def __init__(self, api_key, base_output_dir="generated_images"): self.api_key = api_key self.base_output_dir = Path(base_output_dir) self.base_output_dir.mkdir(exist_ok=True) def load_prompts_from_file(self, file_path): """从文件加载生成提示""" prompts = [] with open(file_path, 'r', encoding='utf-8') as f: if file_path.endswith('.csv'): reader = csv.DictReader(f) for row in reader: prompts.append(row['prompt']) elif file_path.endswith('.txt'): prompts = [line.strip() for line in f if line.strip()] return prompts def generate_with_metadata(self, prompt, category="general"): """生成图像并保存元数据""" timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") output_dir = self.base_output_dir / category output_dir.mkdir(exist_ok=True) filename = f"{timestamp}_{hash(prompt) % 1000:03d}.png" output_path = output_dir / filename # 生成图像 image_path = generate_basic_image(self.api_key, prompt, str(output_path)) if image_path: # 保存元数据 metadata = { "prompt": prompt, "generated_at": timestamp, "category": category, "filename": filename } metadata_path = output_path.with_suffix('.json') with open(metadata_path, 'w', encoding='utf-8') as f: json.dump(metadata, f, ensure_ascii=False, indent=2) return image_path def run_batch_job(self, prompts_file, category="batch"): """运行批量生成任务""" prompts = self.load_prompts_from_file(prompts_file) print(f"开始处理 {len(prompts)} 个提示词...") successful_generations = 0 for i, prompt in enumerate(prompts, 1): print(f"进度: {i}/{len(prompts)} - {prompt[:50]}...") try: result = self.generate_with_metadata(prompt, category) if result: successful_generations += 1 # 礼貌延迟，避免API限制 time.sleep(1) except Exception as e: print(f"生成失败: {str(e)}") print(f"批量任务完成! 成功生成 {successful_generations}/{len(prompts)} 张图像") # 使用示例 if __name__ == "__main__": api_key = "你的API密钥" # 建议从环境变量读取 automator = NanoBananaAutomation(api_key) # 从文件批量生成 automator.run_batch_job("prompts.txt", "social_media")

8. 总结

通过将Nano-Banana与Python集成，我们打造了一个强大而灵活的自动化图像生成系统。从简单的单张图像生成到复杂的批量处理，从基础调用到高级优化，这套方案能够满足各种不同的创作需求。

实际使用中，你会发现自动化带来的效率提升是惊人的。曾经需要手动操作数小时的任务，现在只需要几分钟就能完成。而且随着你对API的深入了解，还可以开发出更多创意应用，比如结合其他AI服务、集成到现有工作流中，或者开发成Web应用供团队使用。

记住，好的自动化脚本不是一蹴而就的。建议先从简单需求开始，逐步添加功能和优化，最终你会拥有一个完全符合自己需求的智能图像生成工具。最重要的是享受这个创造的过程，看着自己的想法通过代码变成现实，这种成就感是无与伦比的。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。