简介这是一份面向Java开发者与数字艺术爱好者的NFT艺术品随机生成器源码帮助读者理解如何通过程序组合图像元素批量生成独一无二的动物主题NFT作品。项目将背景、身体、饰品、头部、头发和眼镜等元素分别存储为独立图像由随机算法选取并合成涉及BufferedImage加载、Graphics2D绘制以及位置、大小、旋转等属性控制是学习Java图像处理与随机组合逻辑的实用范例。压缩包共55个文件约22.5MB以36个png素材图、9个java源码文件为主另含说明文档、配置与许可文件源码目录结构清晰便于按模块阅读与二次开发。目前已有4313人学习下载。读者可从中掌握图像资源加载、随机策略实现与元素合成流程并依据说明文档运行和定制项目为扩展元素、调整随机规则或引入更复杂艺术风格提供可复用的代码基础。1. 从一张头像到 10K 藏品NFT 随机生成器源码到底在做什么如果你手里有一批图层素材——背景、皮肤、眼睛、帽子、配饰——想批量产出几千个互不重复的 NFT 头像靠 PS 手动拼是绝对干不完的。NFT 艺术品随机生成器源码解决的正是这件事它把「图层目录 稀有度权重」当作输入按规则随机组合输出图片文件和对应的元数据 JSON直接对接主流链的铸造格式。这套源码适合三类人想自己发一套 PFP 项目的创作者、接外包需要快速交付生成工具的前端/全栈、以及想研究「加权随机 组合去重」这类经典算法落地的 Python 学习者。它不涉及链上合约部署只负责生成端这一点先分清楚后面少走弯路。2. 拆开源码结构图层目录、权重配置与生成主循环拿到一份 NFT 随机生成器源码第一件事不是急着跑而是把目录结构和配置项看明白。绝大多数同类工具无论 Python 还是 Node 实现都遵循同一套约定一个layers/目录放素材一个config描述每个图层的稀有度一个主脚本负责组合、渲染、导出。理解这套约定你换任何一份源码都能快速上手。2.1 图层目录的命名约定与加载顺序素材目录的组织方式直接决定生成结果。常见做法是每个图层一个子目录目录名即图层名目录内的文件名即该图层的「属性值」。加载顺序通常按目录名的字母序而字母序又决定了图层叠加的先后——背景必须最先画前景配饰必须最后画否则会出现帽子被脸盖住的翻车现场。import os from PIL import Image # 图层根目录子目录名即图层名按名称排序决定叠加顺序 LAYERS_DIR layers def load_layers(root): layers {} # sorted 保证叠加顺序稳定避免每次运行结果不一致 for layer_name in sorted(os.listdir(root)): layer_path os.path.join(root, layer_name) if not os.path.isdir(layer_path): continue files sorted( f for f in os.listdir(layer_path) if f.lower().endswith((.png, .webp)) ) layers[layer_name] [os.path.join(layer_path, f) for f in files] return layers if __name__ __main__: layers load_layers(LAYERS_DIR) for name, files in layers.items(): print(f{name}: {len(files)} 个属性值)这段代码做了三件事遍历layers/下的子目录、过滤出图片文件、按名称排序。sorted这一步看着不起眼但它是可复现性的基础——如果依赖os.listdir的原始顺序在不同操作系统上叠加顺序可能不同生成的头像会出现「同一份配置两次跑出来不一样」的玄学问题。参数上LAYERS_DIR改成你的实际路径即可图片格式建议统一成 PNG带透明通道WebP 虽然体积小但部分渲染库兼容性差新手别碰。2.2 稀有度权重把「稀有」变成可计算的概率NFT 项目里「稀有度」不是感觉是权重算出来的。每个属性值配一个权重数字权重越大出现概率越高。常见做法是在配置里给每个属性值写权重生成时用加权随机抽取。这里有个容易忽略的点权重是相对值不是百分比写 10 和写 100 效果一样只要同图层内比例对就行。import random # 每个图层下属性值 - 权重 RARITY { background: {blue: 50, red: 30, gold: 5}, eyes: {normal: 60, laser: 10, closed: 30}, hat: {none: 40, cap: 35, crown: 5}, } def weighted_choice(options: dict): # options: {属性值: 权重} values list(options.keys()) weights list(options.values()) # random.choices 按权重返回一个元素 return random.choices(values, weightsweights, k1)[0] def pick_attributes(rarity): return {layer: weighted_choice(opts) for layer, opts in rarity.items()} if __name__ __main__: random.seed(42) # 固定种子方便复现和调试 for _ in range(3): print(pick_attributes(RARITY))random.choices的weights参数就是加权随机的核心k1表示抽一个。random.seed(42)这行是血泪经验调试阶段固定种子保证每次跑出来的组合一致方便你核对某个稀有组合到底有没有被生成正式出图时把 seed 去掉或换成时间戳才能得到随机结果。权重配置里gold给 5、crown给 5这类低权重值就是项目方口中的「稀有款」但注意——权重低不等于一定稀有如果某个图层属性值总数很少即使权重中等组合出来的整体稀有度也可能偏高这是新手最容易算错的地方。2.3 组合去重与元数据导出生成几千张图最怕出现重复组合。去重的思路很简单把每次抽到的属性组合拼成一个字符串当指纹用集合记录重复就重抽。元数据 JSON 则按主流市场标准name、description、image、attributes 数组导出attributes 里带上每个属性的名称和值方便后续算稀有度排名。import json from PIL import Image def compose_image(attrs, layers, size(512, 512)): # 从背景开始逐层叠加attrs 决定每层用哪张图 canvas Image.new(RGBA, size, (0, 0, 0, 0)) for layer_name, value in attrs.items(): # 找到该属性值对应的文件路径 path next(p for p in layers[layer_name] if value in p) img Image.open(path).convert(RGBA).resize(size) canvas Image.alpha_composite(canvas, img) return canvas def build_metadata(token_id, attrs): return { name: fNFT #{token_id}, description: Randomly generated NFT artwork, image: f{token_id}.png, attributes: [ {trait_type: k, value: v} for k, v in attrs.items() ], } def generate(total, layers, rarity, out_diroutput): seen set() token_id 1 while token_id total: attrs pick_attributes(rarity) # 指纹用于去重排序保证同一组合指纹一致 fingerprint |.join(f{k}:{v} for k, v in sorted(attrs.items())) if fingerprint in seen: continue # 重复组合直接跳过重抽 seen.add(fingerprint) img compose_image(attrs, layers) img.save(f{out_dir}/{token_id}.png) meta build_metadata(token_id, attrs) with open(f{out_dir}/{token_id}.json, w, encodingutf-8) as f: json.dump(meta, f, ensure_asciiFalse, indent2) token_id 1compose_image用alpha_composite而不是paste是因为前者正确处理透明通道后者会把透明区域变成黑色这是渲染环节最常见的翻车点。fingerprint用sorted保证属性顺序不影响指纹否则同一组合换个字典顺序就被当成新组合去重形同虚设。generate里的while循环配合continue是标准写法但要注意如果图层属性值太少组合空间小于total这个循环会死循环——所以生成前先算一下总组合数total不能超过它。3. 跑通第一版环境、依赖与一次完整生成源码能看懂是一回事能跑起来是另一回事。这一章把环境准备、依赖安装、配置调整、首次生成串成一条可复现的路径照着走一遍你就能拿到第一批图。3.1 环境与依赖Pillow 是绕不开的核心这类生成器几乎都依赖 Pillow 做图像合成Python 版本建议 3.8 以上。虚拟环境是必须的别在系统 Python 里直接装否则依赖冲突时你会后悔没隔离。# 创建并激活虚拟环境 python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate # 安装核心依赖 pip install Pillow # 如果源码带 requirements.txt直接 pip install -r requirements.txtPillow负责打开、缩放、叠加图片是整条链路的底座。如果源码里还用了numpy做像素级处理或tqdm显示进度条一并装上。装完先跑一句python -c import PIL; print(PIL.__version__)确认没报错再往下走。常见坑是系统里同时存在PIL和Pillow两个包导入时报ModuleNotFoundError解决方法是pip uninstall PIL再重装Pillow。3.2 配置调整尺寸、数量与输出路径跑之前把配置项过一遍。尺寸要和素材实际尺寸匹配素材是 512 就写 512写 1024 会被拉伸糊掉。生成数量别一上来就写 10000先写 10 张验证流程确认图片正常、JSON 正常、无重复再放大数量。配置项含义建议值注意size输出图片边长与素材一致不一致会拉伸变形total生成数量先 10 后放大不能超过组合空间out_dir输出目录output提前建好否则报错seed随机种子调试固定出图去掉固定后结果可复现配置改完先手动建好输出目录mkdir -p output很多源码不会自动创建目录直接跑会抛FileNotFoundError。这一步看着傻但确实是新手卡壳的高频点。3.3 首次生成与结果核对一切就绪后执行主脚本观察输出。生成完成后别急着高兴做三件核对图片能不能正常打开、JSON 字段是否完整、有没有重复组合。# 运行生成器 python generate.py # 核对输出文件数量图片 JSON 应各为 total 个 ls output/*.png | wc -l ls output/*.json | wc -l # 抽查一个 JSON 内容 cat output/1.jsonls | wc -l是最快的数量核对方式图片和 JSON 数量必须相等少一个说明某一步中断了。cat抽查 JSON重点看attributes数组里每个属性是否都有trait_type和value缺字段会导致后续上传市场时解析失败。如果发现图片是纯黑或纯透明回到compose_image检查是不是用了paste而不是alpha_composite如果发现重复图检查去重指纹有没有漏掉某个图层。4. 避坑与排查生成器最容易翻车的五个地方这套源码逻辑不复杂但细节坑不少。下面五条是我实际跑下来最常遇到的每条按「现象 → 原因 → 解决」写清楚遇到问题直接对号入座。4.1 生成结果每次都不一样现象同一份配置两次运行生成的图片组合不同没法复现某个稀有款。原因没有固定随机种子random每次用系统时间初始化。解决调试阶段在脚本开头加random.seed(42)确认逻辑无误后再去掉如果源码用了numpy.random要单独np.random.seed(42)两个随机源不互通。4.2 图片叠加顺序错乱帽子被脸盖住现象生成的图里配饰位置不对前景元素被背景遮住。原因图层加载顺序依赖os.listdir的原始顺序不同系统返回顺序不同。解决加载时强制sorted并且用目录名前缀控制顺序比如01_background、02_skin、03_eyes、04_hat数字前缀是最直观的顺序控制手段。4.3 生成到一半卡死不动现象脚本跑到某个数量后不再输出CPU 占用高但没进展。原因组合空间小于设定数量去重逻辑陷入死循环一直抽不到新组合。解决生成前先算组合总数——各图层属性值数量相乘total必须小于这个数如果确实需要接近上限的数量把去重逻辑改成「抽满即停」并给出提示而不是无限重抽。4.4 JSON 中文乱码现象元数据里的中文描述打开是乱码。原因写文件时没指定编码系统默认编码不是 UTF-8。解决open时显式加encodingutf-8json.dump加ensure_asciiFalse两个一起用才能保证中文正常显示。4.5 图片体积过大几千张占满磁盘现象生成几千张 512 的 PNG占用几个 G。原因PNG 无损压缩体积大素材本身分辨率高。解决输出前统一resize到目标尺寸格式可换 WebP 或压缩后的 PNG如果市场要求 PNG用img.save(path, optimizeTrue)开启优化体积能降不少。5. 进阶技巧用稀有度排名反查生成质量生成只是第一步真正决定项目观感的是稀有度分布是否合理。一个实用技巧是生成完成后统计每个属性值的实际出现次数和配置权重对比偏差过大说明随机有问题或组合空间被挤压。更进一步可以给每个 NFT 算一个「稀有度分数」分数越高越稀有方便后续定价和展示。import json, glob from collections import Counter def rarity_report(out_diroutput): trait_counter Counter() token_traits {} for path in glob.glob(f{out_dir}/*.json): with open(path, encodingutf-8) as f: meta json.load(f) token_id meta[name] traits {} for attr in meta[attributes]: key f{attr[trait_type]}:{attr[value]} trait_counter[key] 1 traits[key] True token_traits[token_id] traits total len(token_traits) # 每个属性值的出现频率 freq {k: v / total for k, v in trait_counter.items()} # 每个 NFT 的稀有度分数属性频率倒数之和越高越稀有 scores {} for token_id, traits in token_traits.items(): scores[token_id] sum(1 / freq[t] for t in traits) # 按分数排序输出最稀有的 10 个 ranked sorted(scores.items(), keylambda x: x[1], reverseTrue) for name, score in ranked[:10]: print(f{name}: {score:.2f}) if __name__ __main__: rarity_report()这段脚本做两件事统计每个属性值的实际频率再按「频率倒数之和」给每个 NFT 打分。分数越高说明它包含的低频属性越多越稀有。1 / freq[t]是稀有度评分的常见算法频率越低倒数越大。跑完对比一下如果某个配置权重 5 的属性值实际频率接近 0说明组合空间太小没抽到需要增加生成数量或调整权重如果实际频率和权重严重不符检查加权随机有没有写错。我一般会在正式出图前先跑 100 张做稀有度预演确认分布合理再放大到全量避免几千张跑完才发现某个稀有款一张没出。从那以后我每次生成前都强制走一遍稀有度预演希望帮到你。本文还有配套的精品资源点击获取