Python如何给每张图添加文字?
2026-03-27 16:54:45
0浏览
收藏
本文详解了使用Pillow批量为多张图像独立添加文字时极易踩坑的关键问题:若在循环中复用同一图像对象和绘图上下文,会导致文字层层叠加、所有内容挤在一张图上;真正有效的解决方案是每次迭代都从磁盘重新加载原始模板图像,创建全新的Image实例,从而确保每张输出图干净、独立、互不干扰——这一看似简单却常被忽视的“重建画布”原则,正是实现高质量批量图文生成的底层基石。

使用Pillow时,若在循环中反复向同一图像对象添加文字却未重置画布,会导致文字层层叠加;正确做法是在每次迭代中重新加载原始图像,确保每次绘制都基于干净的底图。
使用Pillow时,若在循环中反复向同一图像对象添加文字却未重置画布,会导致文字层层叠加;正确做法是在每次迭代中重新加载原始图像,确保每次绘制都基于干净的底图。
在使用 Pillow 的 ImageDraw.Draw() 向图像添加文字时,一个常见误区是复用同一个图像对象(img)和绘图上下文(I1),并在循环中持续调用 .text() 方法——这本质上是在原地修改内存中的图像数据。结果就是:第二轮绘制会直接叠在第一轮生成的图像上,第三轮再叠在第二轮之上……最终所有文字“累积”出现在同一张输出图中,而非每张图仅含对应数据。
✅ 正确解法:每次循环都从磁盘重新加载原始图像,创建全新的 Image 实例,从而保证绘制起点一致、互不干扰。
以下是一个结构清晰、可直接运行的示例:
from PIL import Image, ImageDraw, ImageFont
# 预加载字体(避免循环内重复开销)
myFont = ImageFont.truetype("arial.ttf", 24)
myFontSmall = ImageFont.truetype("arial.ttf", 16)
# 原始模板图像路径(务必保持不变!)
template_path = "template.png"
counter = 0
for a, b, c, d, e in data_cap:
# ✅ 关键步骤:每次迭代都重新打开原始图像
img = Image.open(template_path).convert("RGB") # 确保模式统一(如需RGBA可保留)
draw = ImageDraw.Draw(img)
# 绘制各字段(坐标与字体根据实际调整)
draw.text((269, 45), str(a), font=myFont, fill=(255, 255, 255))
draw.text((524, 45), str(b), font=myFont, fill=(255, 255, 255))
draw.text((390.5, 121.5), str(c), font=myFontSmall, fill=(255, 255, 255))
draw.text((500.9, 121.5), str(d), font=myFontSmall, fill=(255, 255, 255))
draw.text((610.5, 121.5), str(e), font=myFontSmall, fill=(255, 255, 255))
# 保存为独立文件
img.save(f"car{counter + 1}.png")
counter += 1? 注意事项与最佳实践:
- 勿复用 ImageDraw.Draw(img) 外部对象:draw 必须绑定到当前 img 实例,不能跨迭代复用;
- 显式调用 .convert("RGB"):防止因原始图是 PNG(带 Alpha)导致颜色异常或保存失败;
- 字体路径健壮性:推荐使用 font=ImageFont.load_default() 作为备选,或通过 os.path.join() 构建绝对路径;
- 性能提示:若 data_cap 数据量极大(如 >1000 条),可考虑将模板图像以字节流缓存(io.BytesIO)+ Image.open() 复用,但需权衡内存与 I/O 开销;
- 调试建议:首次运行时可临时保存 img.copy().save("debug_template.png"),确认模板加载无误。
总结而言,“清除文字”的本质不是擦除,而是隔离绘制环境——通过每次重建图像实例,天然规避了状态污染问题。这是 Pillow 批量图文生成中最基础也最关键的模式之一。
文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《Python如何给每张图添加文字?》文章吧,也可关注golang学习网公众号了解相关技术文章。
Win11启动项查看与插件禁用教程
- 上一篇
- Win11启动项查看与插件禁用教程
- 下一篇
- Excel提取括号内容的实用公式分享
查看更多
最新文章
-
- 文章 · python教程 | 18小时前 | python · Python import很慢 -X importtime 模块级副作用 延迟导入 Python启动优化
- Python import 很慢怎么分析:模块级副作用与延迟导入
- 292浏览 收藏
-
- 文章 · python教程 | 21小时前 | python · 异步编程 · Python asyncio contextvars request_id
- contextvars 在异步请求链中传递追踪信息
- 393浏览 收藏
-
- 文章 · python教程 | 1天前 | 并发 · 异常处理 · python · asyncio · CancelledError 结构化并发 ExceptionGroup Python asyncio TaskGroup asyncio gather
- asyncio TaskGroup 让并发任务在首错时一起收敛
- 246浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python 3.14 自由线程程序怎样显式保护共享状态
- 337浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python Traversable importlib.resources 包内资源
- Python importlib.resources Traversable 怎么读取包内目录
- 359浏览 收藏
-
- 文章 · python教程 | 1天前 | 时区 · python · Python zoneinfo reset_tzpath TZPATH 自定义时区库 ZoneInfo缓存
- Python zoneinfo.reset_tzpath 怎么切换自定义时区库
- 176浏览 收藏
-
- 文章 · python教程 | 1天前 | Python教程 · Python 并行执行 全局状态 InterpreterPoolExecutor
- Python InterpreterPoolExecutor 怎么隔离不同任务的全局状态
- 130浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python zip strict=True 在第几次迭代发现长度不一致
- 437浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 375次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 445次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 452次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 398次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 223次使用
查看更多
相关文章
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换:encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览

