Nunchaku FLUX.1-dev 自动化工作流结合爬虫与AI批量生成电商产品图1. 引言电商卖家的图片难题如果你是做电商的不管是开网店还是做独立站肯定遇到过这个头疼的问题产品上架图片不够用。一个产品主图、场景图、细节图、营销图少说也得准备七八张。如果产品线丰富上新速度快光是拍图、修图、设计就能把运营和设计团队累得够呛。找外包成本高沟通周期长风格还不一定统一。自己拍场地、灯光、模特、后期样样都是钱和时间。有没有一种方法能像流水线一样自动、批量地生产出风格统一、质量在线的产品图今天要聊的就是这么一个“懒人”解决方案。我们设计一个自动化工作流核心思路很简单用爬虫自动抓取产品信息用AI模型自动生成产品图片。这个工作流的主角是Nunchaku FLUX.1-dev一个在图像生成领域表现很不错的开源模型。我们会把它和网络爬虫技术结合起来打造一条从“文字信息”到“视觉成品”的自动化管道。想象一下你只需要输入产品链接系统就能自动分析产品并生成一套可用于上架或营销的图片是不是省心多了2. 工作流全景图三步走从链接到图片在动手写代码之前我们先看看整个流程是怎么跑的。它就像一条有三个站点的生产线第一步信息采集站爬虫任务自动访问电商平台比如淘宝、京东的商品页面把产品的标题、详情描述文字“抓”下来。这是我们的原材料。第二步信息精炼站文本处理任务原材料抓取的文本通常很杂乱夹杂着促销信息、无关描述。这一步就是清洗和提炼从中提取出对生成图片最关键的信息比如“主体物品”、“颜色”、“材质”、“使用场景”等。我们可以用一些简单的规则或者小型的文本分析模型来完成。第三步图片生成站AI绘图任务把精炼后的文本描述喂给 Nunchaku FLUX.1-dev 模型让它根据描述批量生成图片。我们可以通过预设统一的风格提示词如“电商白底图风格”、“户外使用场景摄影风格”来保证所有生成图片的调性一致。整个流程的目标是“输入商品链接输出风格统一的图片集”实现真正的降本增效。下面我们就分步拆解看看每个环节具体怎么实现。3. 第一步用爬虫抓取产品信息爬虫听起来有点技术含量但其实对于结构清晰的电商页面我们可以用一些现成的工具库来简化工作。这里以 Python 环境为例使用requests和BeautifulSoup这两个非常流行的库。首先你需要安装必要的库pip install requests beautifulsoup4假设我们要抓取一个模拟的商品页面核心任务是获取商品标题和商品描述。下面是一个基础的示例代码import requests from bs4 import BeautifulSoup import re def fetch_product_info(url): 从给定的商品URL抓取标题和描述信息。 headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 } try: # 1. 发送网络请求 response requests.get(url, headersheaders, timeout10) response.raise_for_status() # 检查请求是否成功 response.encoding response.apparent_encoding # 2. 解析HTML内容 soup BeautifulSoup(response.text, html.parser) # 3. 提取标题这里的选择器需要根据实际网站调整 # 通常标题在 title 标签或特定的 h1 标签里 title_tag soup.find(h1) or soup.title product_title title_tag.get_text(stripTrue) if title_tag else 未找到标题 # 4. 提取描述这里的选择器需要根据实际网站调整 # 描述可能在 meta namedescription 或特定的 div classdetail 里 description meta_desc soup.find(meta, attrs{name: description}) if meta_desc: description meta_desc.get(content, ) # 如果找不到meta描述可以尝试找页面中较长的文本段落 if not description: # 这是一个简单的启发式方法找最长的段落 all_paragraphs soup.find_all(p) if all_paragraphs: longest_p max(all_paragraphs, keylambda p: len(p.get_text())) description longest_p.get_text(stripTrue)[:500] # 截取前500字符 # 5. 简单清理文本 product_title re.sub(r\s, , product_title) # 合并多余空格 description re.sub(r\s, , description) return { title: product_title, description: description, source_url: url } except requests.RequestException as e: print(f抓取页面失败: {e}) return None except Exception as e: print(f解析过程出错: {e}) return None # 使用示例 if __name__ __main__: # 注意请替换为你要抓取的真实商品URL并遵守网站的Robots协议 test_url https://example.com/product/12345 product_info fetch_product_info(test_url) if product_info: print(抓取到的产品信息) print(f标题{product_info[title]}) print(f描述{product_info[description][:200]}...) # 预览前200字符重要提示遵守规则在实际使用中务必检查目标网站的robots.txt文件尊重网站的爬虫协议避免过快、过频的请求导致IP被封。选择器调整代码中的soup.find(h1)和soup.find(meta, ...)是示例选择器。不同的电商网站HTML结构千差万别你需要使用浏览器的“开发者工具”来查看目标页面的实际HTML结构并调整对应的标签选择器。反爬应对一些大型电商平台有反爬机制可能需要处理动态加载考虑用Selenium或Playwright、验证码等问题这属于更进阶的爬虫范畴。运行成功后你就得到了产品的原始文本信息这是整个工作流的起点。4. 第二步提炼关键视觉描述直接从网页抓下来的文本就像刚从矿里挖出来的原石里面有很多杂质。比如标题可能是“【限时秒杀】夏季新款男士纯棉透气短袖T恤 白色 XL码”描述里可能充满了“包邮”、“正品保障”、“点击领券”等与视觉无关的营销信息。我们的目标是从这块“原石”中切割出能用来指导画画的“宝石”——即关键视觉元素。这里提供两种思路基于规则的提取和基于轻量级模型的提取。4.1 基于规则的文本清洗与提取对于结构相对规范、关键词明显的文本用规则正则表达式和关键词匹配就足够了。它的优点是简单、快速、无需训练数据。import re def extract_visual_elements_by_rule(title, description): 使用规则从标题和描述中提取视觉元素。 full_text f{title} {description} # 定义一些关键词类别可以根据你的产品类目扩充 color_keywords [白色, 黑色, 红色, 蓝色, 绿色, 黄色, 灰色, 粉色, 彩色, 透明, 金属色, 木纹] material_keywords [纯棉, 涤纶, 尼龙, 皮革, 真皮, 帆布, 硅胶, 金属, 塑料, 实木, 陶瓷, 玻璃] product_type_keywords [T恤, 短袖, 衬衫, 连衣裙, 背包, 手机, 水杯, 台灯, 椅子, 手表] scene_keywords [户外, 室内, 办公, 运动, 休闲, 商务, 居家, 旅行, 沙滩] # 初始化结果 visual_elements { main_subject: , color: [], material: [], scene: [], style_keywords: [产品展示, 干净背景] # 可以预设一些风格词 } # 1. 提取主物体通常标题中最长的名词短语可能是主体 # 这里用一个简单的方法假设产品类型关键词就是主体 for ptype in product_type_keywords: if ptype in full_text: visual_elements[main_subject] ptype break # 2. 提取颜色 for color in color_keywords: if color in full_text: visual_elements[color].append(color) # 3. 提取材质 for material in material_keywords: if material in full_text: visual_elements[material].append(material) # 4. 提取场景 for scene in scene_keywords: if scene in full_text: visual_elements[scene].append(scene) # 5. 如果没提取到颜色尝试用正则匹配常见的颜色表述 if not visual_elements[color]: color_pattern r([黑白红蓝绿黄灰粉金银]色|彩色|透明) found_colors re.findall(color_pattern, full_text) if found_colors: visual_elements[color].extend(list(set(found_colors))) # 去重 # 清理空列表 for key in [color, material, scene]: if not visual_elements[key]: visual_elements.pop(key) return visual_elements # 使用示例 if __name__ __main__: sample_title 夏季新款男士纯棉透气短袖T恤 白色 sample_desc 这款T恤采用100%纯棉面料透气亲肤适合夏季户外运动或日常休闲穿着。 elements extract_visual_elements_by_rule(sample_title, sample_desc) print(提取到的视觉元素) for key, value in elements.items(): print(f{key}: {value})运行后你可能会得到类似这样的结果提取到的视觉元素 main_subject: T恤 color: [白色] material: [纯棉] scene: [户外, 休闲] style_keywords: [产品展示, 干净背景]这些关键词就将作为我们生成图片的“指令”。4.2 构建AI绘图提示词有了视觉元素我们需要把它们组织成一段流畅的、AI模型能更好理解的提示词Prompt。这里没有固定公式但一个好的结构通常包含主体细节场景风格。def build_image_prompt(visual_elements): 将视觉元素组合成绘图提示词。 prompt_parts [] # 1. 主体 if visual_elements.get(main_subject): prompt_parts.append(visual_elements[main_subject]) # 2. 颜色和材质 detail_parts [] if visual_elements.get(color): detail_parts.extend(visual_elements[color]) if visual_elements.get(material): detail_parts.extend(visual_elements[material]) if detail_parts: prompt_parts.append(, .join(detail_parts)) # 3. 场景 if visual_elements.get(scene): prompt_parts.append(f放置在 {visual_elements[scene][0]} 场景中) # 取第一个场景 # 4. 风格和质量要求可统一预设保证批量图片风格一致 style_preset professional product photography, clean background, studio lighting, high detail, 8k prompt_parts.append(style_preset) # 组合成完整提示词 final_prompt , .join(prompt_parts) return final_prompt # 接续上面的示例 image_prompt build_image_prompt(elements) print(\n构建的AI绘图提示词) print(image_prompt)输出可能类似于T恤, 白色, 纯棉, 放置在 户外 场景中, professional product photography, clean background, studio lighting, high detail, 8k这段提示词就清晰地告诉AI画一件白色的纯棉T恤放在户外场景里并且要像专业产品摄影那样高清、干净。5. 第三步调用FLUX.1-dev批量生成图片现在我们来到了最核心也最有趣的一步让AI根据提示词画画。这里我们使用Nunchaku FLUX.1-dev模型。你需要一个已经部署好该模型的环境。假设你通过星图镜像广场等渠道已经获得了一个可以访问的FLUX.1-dev API服务。5.1 准备生成环境与调用通常模型会提供HTTP API接口。我们使用requests库来调用它。import requests import json import base64 from io import BytesIO from PIL import Image import os def generate_image_with_flux(prompt, api_url, output_dir./generated_images, filename_prefixproduct): 调用FLUX.1-dev API生成图片并保存。 # 准备请求数据具体参数需要根据你的API文档调整 payload { prompt: prompt, negative_prompt: low quality, blurry, text, watermark, deformed, ugly, # 负面提示告诉AI不要什么 steps: 20, # 生成步数影响细节和速度 cfg_scale: 7.5, # 提示词相关性越高越遵循提示词 width: 768, # 图片宽度 height: 768, # 图片高度 batch_size: 1 # 一次生成几张 } headers { Content-Type: application/json, # 如果需要认证请添加你的API Key # Authorization: Bearer YOUR_API_KEY } try: print(f正在生成: {prompt[:50]}...) response requests.post(api_url, datajson.dumps(payload), headersheaders, timeout120) response.raise_for_status() result response.json() # 假设API返回base64编码的图片 if images in result and result[images]: image_b64 result[images][0] image_data base64.b64decode(image_b64) # 创建输出目录 os.makedirs(output_dir, exist_okTrue) # 生成文件名可以用提示词哈希或时间戳 import time safe_prompt_part prompt.replace( , _)[:30] timestamp int(time.time()) filename f{filename_prefix}_{safe_prompt_part}_{timestamp}.png filepath os.path.join(output_dir, filename) # 保存图片 with open(filepath, wb) as f: f.write(image_data) print(f图片已保存至: {filepath}) # 可选用PIL打开预览一下 # image Image.open(BytesIO(image_data)) # image.show() return filepath else: print(API响应中未找到图片数据。) return None except requests.exceptions.RequestException as e: print(f调用API失败: {e}) return None except (KeyError, json.JSONDecodeError) as e: print(f解析API响应失败: {e}) return None # 使用示例 if __name__ __main__: # 请替换为你的FLUX.1-dev API实际地址 FLUX_API_URL http://your-flux-server-address:port/generate test_prompt A modern white ceramic coffee mug, placed on a wooden desk next to a laptop and a notebook, professional product photography, soft lighting, clean background, high detail # 生成一张图 saved_path generate_image_with_flux(test_prompt, FLUX_API_URL) if saved_path: print(f生成成功图片位于: {saved_path})关键参数说明prompt: 我们上一步构建好的提示词是生成内容的核心指令。negative_prompt: 负面提示词非常重要。它告诉模型要避免哪些不好的元素比如低质量、模糊、水印、变形等能显著提升出图成功率。steps: 采样步数。一般20-30步就能有不错的效果步数越多细节可能越丰富但生成时间也越长。cfg_scale: 提示词相关性。值太低如3则AI自由发挥可能偏离提示值太高如15则严格遵循提示但可能画面僵硬。7-9是常用范围。width/height: 生成图片的尺寸。FLUX.1-dev支持多种分辨率常见的有768x768, 1024x1024等根据你的需求调整。5.2 串联整个工作流实现自动化现在我们把前三个步骤串起来形成一个完整的脚本。这个脚本可以读取一个包含商品链接的列表文件然后自动完成抓取、提炼、生成的全过程。import csv import time def batch_process_from_urls(url_list_file, api_url, output_dir): 从URL列表文件开始批量处理并生成图片。 results [] # 读取URL列表假设是每行一个URL的txt文件或CSV文件 with open(url_list_file, r, encodingutf-8) as f: # 如果是CSV可以用csv.reader # 这里按简单文本文件处理 urls [line.strip() for line in f if line.strip()] for idx, url in enumerate(urls): print(f\n--- 处理第 {idx1}/{len(urls)} 个商品: {url} ---) # 步骤1: 抓取信息 product_info fetch_product_info(url) if not product_info: print(f 跳过抓取失败。) results.append({url: url, status: fetch_failed}) continue # 步骤2: 提炼视觉元素并构建提示词 visual_elements extract_visual_elements_by_rule(product_info[title], product_info[description]) prompt build_image_prompt(visual_elements) print(f 构建提示词: {prompt[:80]}...) # 步骤3: 生成图片 filename_prefix fproduct_{idx1:03d} image_path generate_image_with_flux(prompt, api_url, output_dir, filename_prefix) # 记录结果 result { url: url, title: product_info[title], prompt: prompt, image_path: image_path, status: success if image_path else generate_failed } results.append(result) # 礼貌性延迟避免对API服务器造成压力 time.sleep(2) # 保存处理日志 log_file os.path.join(output_dir, processing_log.csv) with open(log_file, w, newline, encodingutf-8) as f: fieldnames [url, title, prompt, image_path, status] writer csv.DictWriter(f, fieldnamesfieldnames) writer.writeheader() writer.writerows(results) print(f\n批量处理完成日志已保存至: {log_file}) return results # 主程序入口 if __name__ __main__: URL_LIST product_urls.txt # 你的商品链接列表文件 FLUX_API http://your-flux-server:port/generate OUTPUT_DIR ./batch_output batch_process_from_urls(URL_LIST, FLUX_API, OUTPUT_DIR)运行这个脚本泡杯咖啡回来就能看到一批根据商品信息自动生成的图片躺在文件夹里了。6. 效果评估与优化建议实际跑起来后你可能会发现生成的效果有时很惊艳有时却不太对劲。这很正常AI生成具有一定的不确定性。我们可以从几个方面来评估和优化这个工作流。首先看图片质量。好的生成结果应该主体清晰、符合描述、画质高清、背景干净。如果出现物体扭曲、颜色错误、背景杂乱就需要调整提示词。优化提示词是关键。如果生成的T恤总是不像T恤可以在提示词里加入更具体的描述比如“a plain white cotton t-shirt, front view”一件纯白色棉质T恤正面视角。多用具体的、视觉可感知的词汇。负面提示词也要用好把不想要的东西如“多余的手指”、“奇怪的脸”明确排除。统一风格靠预设。批量生成时我们在build_image_prompt函数最后加的那段style_preset专业产品摄影、干净背景等就是保证风格统一的“秘密武器”。你可以为不同产品线定义不同的风格预设比如“时尚街拍风”、“温馨家居风”、“极简白底图”。处理复杂信息。对于特别复杂或专业的产品描述如电子产品参数基于规则的提取可能不够用。这时可以考虑接入一个轻量级的文本理解模型比如一些开源的NER命名实体识别模型来更准确地识别产品型号、规格等关键属性。最后把它变成一个服务。当这个脚本稳定运行后你可以用 Flask 或 FastAPI 给它包一层Web界面让运营同事直接上传商品链接或CSV文件点击按钮就能下载生成好的图片包真正做到“人人可用”。7. 总结回过头来看我们搭建的这个自动化工作流本质上是在解决一个资源错配的问题电商运营人员的时间应该花在选品、营销和客户服务上而不是反复纠缠于图片的生产环节。通过爬虫AI的组合我们把繁琐、重复的图片制作任务交给了不知疲倦的代码和模型。从抓取信息、提炼要点到生成图片每一步都尽可能自动化。虽然初始搭建需要一些技术投入但一旦跑通其带来的规模效应是巨大的——处理1个商品和处理1000个商品的边际成本几乎相同。实际用下来这个流程在标准化的产品图生成上效率提升非常明显尤其是在需要统一视觉风格的海报、场景图批量制作上。当然它也不是万能的对于追求极致艺术创意或高度定制化的图片目前还是人类设计师更有优势。但对于占电商图片需求大头的、常规的产品展示和营销素材这个方案已经足够成为一个强大的生产力工具。如果你正准备尝试建议从一个小的产品类目开始比如“水杯”或“背包”把规则和提示词调优看到稳定产出后再逐步扩大范围。技术永远是为业务服务的找到那个能帮你真正省时省力的平衡点才是最重要的。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。