VVIC图片搜索接口进阶实战：服装批发场景下的精准识图与批量调度方案
VVIC（搜款网）作为国内头部服装B2B批发平台，图片搜索接口（核心端点：/api/search/item/image，稳定版V2.2）是采购商“以图找款、同款比价、档口溯源”的核心工具——区别于综合电商的图片搜索，其设计逻辑深度绑定服装批发场景，核心价值是“通过一张服装图，快速匹配平台内同款/相似款档口货源，支撑批量采购决策”。当前全网技术贴均停留在“上传图片/图片URL→调用接口→提取结果列表”的基础层面，既忽视VVIC图片搜索“对服装版型、纹理、细节敏感度高，易出现匹配偏差；批量识图易触发限流；结果含大量同款冗余、非档口货源”等核心痛点，也未解决生产环境中“图像格式不兼容、特征匹配失真、批量调用不稳定”等实际问题；同时，与我之前撰写的VVIC关键词搜索、商品详情接口贴文相比，本次完全摒弃“语义解析、筛选联动”的模块逻辑，聚焦图片搜索全流程的“精准度、效率、稳定性”三大核心，打造专属服装批发场景的图片搜索差异化实战方案。本文基于VVIC开放平台规范与服装识图实战经验，构建“图像预处理引擎+特征对齐优化模块+同款聚类去重器+批量异步防风控调度架构”，所有代码可直接落地企业级采购找款、档口溯源系统，兼顾合规性与落地价值，完全适配CSDN技术贴规范，且无任何全网同质化内容。
一、核心认知：VVIC图片搜索接口的差异化特性（区别于全网+过往贴文）
VVIC图片搜索接口与综合电商（淘宝、京东）图片搜索接口、自身关键词/详情接口差异显著，其设计逻辑深度贴合服装批发“找同款、找档口、批量比对”的核心需求，四大核心特性直接决定开发思路——照搬通用识图经验、复用过往接口框架，必然导致匹配失真、风控触发、业务适配性差，这也是全网现有教程的核心盲区：
识图场景适配服装批发专属需求：用户上传的图片多为“服装实物图、版型图、细节图”（而非商品主图），接口核心需求是“匹配同款/相似款服装的档口货源”，而非普通商品匹配；且需重点识别服装版型、纹理、领口/袖口细节（如韩版连衣裙的领口设计、牛仔裤的裤型），颜色偏差、背景杂乱对匹配结果影响极大，这与基于内容的通用图像检索逻辑有明显区别[6]。
图像参数约束严苛且隐蔽：接口对图片格式、大小、分辨率、编码方式有明确限制（仅支持JPG/PNG/WebP，单张≤5MB，分辨率≥800×800像素），且需对图片进行Base64编码（部分场景需带格式前缀），编码错误、参数缺失会直接返回400错误，且错误提示模糊（仅显示“参数无效”，不明确具体原因）[2]。
结果冗余且噪声多，同款去重难度大：接口返回结果中包含大量“同款不同档口、相似款非同款、低质量档口货源、库存为0的无效商品”，且同款服装的标题、图片表述差异较大（如同一版型连衣裙，档口标注“韩版碎花裙”“通勤碎花连衣裙”），常规去重逻辑（标题比对）无法满足需求，需基于图像特征进行聚类去重[9]。
批量识图风控严苛，异步处理需求突出：按AppKey分级限流（基础权限20次/分钟、高级权限80次/分钟），批量上传图片识图时，易触发IP封禁、接口降级；且单张图片识图响应时间较长（1-3秒），同步批量调用会导致系统阻塞，需基于异步架构设计批量调度逻辑，同时规避关键词频率过高的风控陷阱。
核心提醒：1. VVIC图片搜索接口仅对企业/个体工商户开放，个人开发者仅能获取基础搜索结果，无同款聚类、档口溯源等增值权限；2. 本文方案全程基于官方开放接口开发，规避爬虫、模拟用户行为、非法抓取图片等违规操作，数据用途严格遵循《VVIC开放平台服务条款》，杜绝二次传播档口敏感信息；3. 与我过往撰写的VVIC关键词、详情接口贴文相比，本次无任何模块复用，聚焦图片搜索全流程，重点解决“图像适配、特征对齐、同款去重、批量异步调度”四大核心问题，与全网基础教程形成本质区别；4. 接口签名逻辑与V2.1版本（关键词搜索）不同，需单独适配图片参数的编码与签名规则，避免签名失败。
点击获取key和secret
二、差异化方案实现：四大核心模块（全图片搜索专属，无过往模块复用）
方案基于VVIC开放平台V2.2接口构建，核心包含“图像预处理引擎+特征对齐优化模块+同款聚类去重器+批量异步防风控调度架构”，技术栈以Python为主，整合OpenCV、PIL等图像处理工具，兼顾服装批发识图场景适配、批量高效调用与高可用需求，全程围绕“图片搜索”核心，每一个模块均为全网现有教程未涉及的进阶内容，彻底摆脱同质化困境。
1. 图像预处理引擎：解决图像适配与编码错误问题
这是图片搜索的基础前提，也是全网现有教程最易忽视的核心环节。常规方案仅简单将图片转为Base64编码后传入接口，易出现“格式不兼容、分辨率不足、编码错误、签名失败”等问题（如上传PNG透明底图片、低分辨率模糊图，均会导致匹配失真或接口报错）。本引擎针对VVIC接口约束与服装图片特性，实现“格式标准化+分辨率调整+噪声去除+编码优化+签名适配”全流程预处理，确保图片符合接口要求，同时提升后续特征匹配精度，适配服装细节识别需求：
import cv2 import base64 import numpy as np from PIL import Image from io import BytesIO import re from typing import Optional, Tuple, BytesIO class VvicImagePreprocessor: """VVIC图片搜索预处理引擎：格式标准化+分辨率调整+噪声去除+编码优化，适配接口约束与服装识图场景""" def __init__(self): # VVIC图片搜索接口约束参数（全网教程未明确的隐蔽要求） self.ALLOWED_FORMATS = {"jpg", "jpeg", "png", "webp"} self.MAX_SIZE_MB = 5 self.MIN_RESOLUTION = (800, 800) # 最小分辨率，低于此值会导致匹配失真 self.TARGET_RESOLUTION = (1024, 1024) # 目标分辨率，平衡精度与速度 self.BASE64_PREFIX = "data:image/jpeg;base64," # V2.2版本强制要求的编码前缀 def _format_conversion(self, image_bytes: BytesIO) -> Tuple[Image.Image, str]: """格式标准化：将图片转为JPG格式（去除透明底），适配接口要求""" try: img = Image.open(image_bytes) # 处理透明底PNG，转为白色背景JPG（服装图片透明底会影响特征匹配） if img.mode in ("RGBA", "P"): background = Image.new("RGB", img.size, (255, 255, 255)) background.paste(img, mask=img.split()[3] if img.mode == "RGBA" else None) img = background # 统一转为JPG格式 img = img.convert("RGB") return img, "jpg" except Exception as e: raise ValueError(f"图片格式转换失败：{str(e)}") def _adjust_resolution(self, img: Image.Image) -> Image.Image: """分辨率调整：确保图片满足最小分辨率，按比例缩放至目标分辨率，避免拉伸变形""" width, height = img.size # 低于最小分辨率，直接抛出异常（模糊图会导致匹配失真） if width < self.MIN_RESOLUTION[0] or height < self.MIN_RESOLUTION[1]: raise ValueError(f"图片分辨率过低（当前：{width}×{height}），需≥800×800像素") # 按比例缩放至目标分辨率，避免拉伸 scale = min(self.TARGET_RESOLUTION[0]/width, self.TARGET_RESOLUTION[1]/height) new_width = int(width * scale) new_height = int(height * scale) img = img.resize((new_width, new_height), Image.Resampling.LANCZOS) # 高质量缩放，保留细节 return img def _remove_noise(self, img: Image.Image) -> Image.Image: """噪声去除：针对服装图片，去除背景杂乱、细节模糊等噪声，提升特征匹配精度""" # 转为OpenCV格式，进行高斯模糊去噪（保留服装细节，去除轻微噪声） img_cv = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR) # 高斯模糊（核大小3×3，标准差1.5，平衡去噪与细节保留） img_denoised = cv2.GaussianBlur(img_cv, (3, 3), 1.5) # 转回PIL格式 img = Image.fromarray(cv2.cvtColor(img_denoised, cv2.COLOR_BGR2RGB)) return img def _image_to_base64(self, img: Image.Image) -> str: """图片转Base64：适配VVIC V2.2版本要求，添加格式前缀，处理编码特殊字符""" buffer = BytesIO() img.save(buffer, format="JPEG", quality=90) # 保存为JPG，质量90（平衡大小与精度） image_bytes = buffer.getvalue() # 校验图片大小，不超过5MB if len(image_bytes) > self.MAX_SIZE_MB * 1024 * 1024: raise ValueError(f"图片大小超过{self.MAX_SIZE_MB}MB，需压缩后上传") # 转Base64，添加前缀，替换特殊字符（避免签名失败） base64_str = base64.b64encode(image_bytes).decode("utf-8") base64_str = self.BASE64_PREFIX + base64_str # 替换Base64中的特殊字符（VVIC接口对+、/等字符敏感，需URL编码） base64_str = re.sub(r"\+", "%2B", base64_str) base64_str = re.sub(r"/", "%2F", base64_str) base64_str = re.sub(r"=", "%3D", base64_str) return base64_str def preprocess(self, image_input: Optional[str] = None, image_file: Optional[str] = None) -> str: """ 全流程预处理：支持图片URL、本地文件路径输入，输出适配接口的Base64编码 :param image_input: 图片URL（二选一） :param image_file: 本地图片文件路径（二选一） :return: 适配VVIC接口的Base64编码字符串 """ if not image_input and not image_file: raise ValueError("请输入图片URL或本地文件路径") try: # 读取图片（支持URL和本地文件） if image_file: with open(image_file, "rb") as f: image_bytes = BytesIO(f.read()) else: import requests response = requests.get(image_input, timeout=10) response.raise_for_status() image_bytes = BytesIO(response.content) # 1. 格式标准化（转为JPG，去除透明底） img, fmt = self._format_conversion(image_bytes) # 2. 分辨率调整（满足最小要求，按比例缩放） img = self._adjust_resolution(img) # 3. 噪声去除（提升特征匹配精度） img = self._remove_noise(img) # 4. 转Base64编码（适配接口要求） base64_str = self._image_to_base64(img) return base64_str except Exception as e: raise Exception(f"图片预处理失败：{str(e)}") # 示例：图片预处理（支持本地文件和URL） if __name__ == "__main__": PREPROCESSOR = VvicImagePreprocessor() # 示例1：本地图片预处理 try: base64_str = PREPROCESSOR.preprocess(image_file="./test_dress.jpg") print(f"本地图片预处理完成，Base64编码长度：{len(base64_str)}") except Exception as e: print(f"本地图片预处理失败：{str(e)}") # 示例2：图片URL预处理 try: image_url = "https://img.vvic.com/item/123456.jpg" # 模拟服装图片URL base64_str = PREPROCESSOR.preprocess(image_input=image_url) print(f"URL图片预处理完成，Base64编码长度：{len(base64_str)}") except Exception as e: print(f"URL图片预处理失败：{str(e)}")
2. 特征对齐优化模块：解决识图匹配失真问题
这是本次贴文的核心差异化亮点之一，全网现有教程均未涉及。VVIC图片搜索接口默认基于图片全局特征匹配，但服装批发场景中，“同款不同角度、不同颜色、不同细节”的服装（如黑色韩版连衣裙与白色韩版连衣裙，同一版型不同领口），全局特征差异较大，易出现“匹配不到同款”或“匹配到相似非同款”的问题。本模块基于服装识图特性，实现“VVIC接口特征与服装局部特征对齐+相似度阈值动态调整+颜色/版型特征补偿”，大幅提升同款匹配精度，适配服装批发“找同款、找相似”的核心需求，本质是对CBIR架构的场景化优化：
import hashlib import time import json import requests from typing import Dict, Optional, List, Tuple from vvic_image_preprocessor import VvicImagePreprocessor class VvicFeatureAlignmentOptimizer: """VVIC图片搜索特征对齐优化模块：特征对齐+相似度动态调整+特征补偿，提升匹配精度""" def __init__(self, app_key: str, app_secret: str): self.app_key = app_key self.app_secret = app_secret self.base_url = "https://api.vvic.com/api/search/item/image" self.preprocessor = VvicImagePreprocessor() # 关联图片预处理模块 # 服装核心局部特征（用于特征补偿，提升匹配精度） self.clothing_local_features = [ "collar", # 领口 "sleeve", # 袖口 "hem", # 下摆 "pattern", # 图案 "version" # 版型 ] # 相似度阈值动态调整规则（根据服装类型调整，适配不同版型匹配需求） self.similarity_threshold_map = { "dress": 0.75, # 连衣裙：版型敏感，阈值较高 "shirt": 0.70, # 衬衫：细节敏感，阈值中等 "trousers": 0.72, # 裤子：裤型敏感，阈值中等 "sweater": 0.68, # 毛衣：纹理敏感，阈值较低 "default": 0.70 # 默认阈值 } def _generate_sign(self, params: Dict) -> str: """生成VVIC V2.2版本规范签名：适配图片Base64参数，与关键词搜索签名逻辑不同""" # 排除sign字段，按参数名ASCII升序排序 sorted_params = sorted([(k, v) for k, v in params.items() if k != "sign"], key=lambda x: x[0]) # 拼接格式：app_secret + key1value1key2value2 + app_secret（图片参数需单独编码） sign_str = self.app_secret for k, v in sorted_params: # 图片Base64参数需先解码，再参与签名（避免编码字符导致签名失真） if k == "image_base64": # 去除Base64前缀，解码特殊字符 v = re.sub(r"data:image/jpeg;base64,", "", v) v = re.sub(r"%2B", "+", v) v = re.sub(r"%2F", "/", v) v = re.sub(r"%3D", "=", v) # 处理中文参数编码 if isinstance(v, str) and re.search(r"[\u4e00-\u9fa5]", v): v = v.encode("utf-8").decode("utf-8") sign_str += f"{k}{v}" sign_str += self.app_secret # MD5加密，返回32位小写字符串 return hashlib.md5(sign_str.encode("utf-8")).hexdigest().lower() def _extract_clothing_type(self, items: List[Dict]) -> str: """提取服装类型（连衣裙/衬衫/裤子等），用于动态调整相似度阈值""" if not items: return "default" # 从搜索结果标题中提取服装类型（适配档口标题不规范问题） clothing_type_map = { "dress": ["连衣裙", "长裙", "短裙"], "shirt": ["衬衫", "衬衣"], "trousers": ["裤子", "牛仔裤", "休闲裤"], "sweater": ["毛衣", "针织衫", "线衣"] } for item in items: title = item.get("title", "").lower() for type_key, type_words in clothing_type_map.items(): if any(word in title for word in type_words): return type_key return "default" def _feature_alignment(self, raw_result: Dict) -> List[Dict]: """特征对齐：将VVIC接口返回的全局特征，与服装局部特征对齐，过滤相似非同款""" if raw_result.get("code") != 200: return [] items = raw_result["data"].get("items", []) if not items: return [] # 提取服装类型，动态获取相似度阈值 clothing_type = self._extract_clothing_type(items) threshold = self.similarity_threshold_map.get(clothing_type, 0.70) aligned_items = [] for item in items: # 1. 全局相似度过滤（基于接口返回的similarity字段） similarity = item.get("similarity", 0.0) if similarity < threshold: continue # 2. 局部特征对齐（补偿全局特征不足，过滤相似非同款） item_title = item.get("title", "").lower() # 提取接口返回的商品特征（简化为标题中的局部特征关键词） item_features = [] for feature in self.clothing_local_features: # 领口特征（圆领、V领、方领） if feature == "collar": if any(collar in item_title for collar in ["圆领", "v领", "方领"]): item_features.append("collar") # 袖口特征（长袖、短袖、喇叭袖） elif feature == "sleeve": if any(sleeve in item_title for sleeve in ["长袖", "短袖", "喇叭袖"]): item_features.append("sleeve") # 版型特征（韩版、欧美、通勤） elif feature == "version": if any(version in item_title for version in ["韩版", "欧美", "通勤"]): item_features.append("version") # 局部特征匹配：至少匹配1个局部特征，避免全局相似但局部差异过大（相似非同款） if len(item_features) >= 1: aligned_items.append(item) return aligned_items def image_search(self, image_input: Optional[str] = None, image_file: Optional[str] = None, max_results: int = 20, custom_filters: Optional[Dict] = None) -> Dict: """ 图片搜索核心方法：预处理+签名+接口调用+特征对齐，解决匹配失真问题 :param image_input: 图片URL（二选一） :param image_file: 本地图片文件路径（二选一） :param max_results: 最大返回结果数（1-50，接口限制） :param custom_filters: 自定义筛选条件（价格区间、起订量等） :return: 特征对齐后的精准搜索结果 """ custom_filters = custom_filters or {} try: # 1. 图片预处理，获取适配接口的Base64编码 image_base64 = self.preprocessor.preprocess(image_input=image_input, image_file=image_file) # 2. 拼接接口公共参数（必传，缺失会导致签名失败） public_params = { "app_key": self.app_key, "image_base64": image_base64, "max_results": max_results, "timestamp": str(int(time.time() * 1000)), # 毫秒级时间戳（V2.2强制要求） "version": "2.2", "sign_method": "md5" } # 3. 合并公共参数与自定义筛选条件 final_params = {**public_params, **custom_filters} # 4. 生成签名（适配图片Base64参数） final_params["sign"] = self._generate_sign(final_params) # 5. 调用接口（设置较长超时时间，适配图片搜索响应慢的问题） response = requests.post( url=self.base_url, json=final_params, # 图片搜索需用POST请求，JSON格式传参 headers={"Content-Type": "application/json", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120.0.0.0 Safari/537.36"}, timeout=15 # 图片搜索响应较慢，超时时间设为15秒 ) response.raise_for_status() raw_result = response.json() # 6. 特征对齐，过滤相似非同款，提升匹配精度 aligned_items = self._feature_alignment(raw_result) # 补充预处理、特征对齐相关信息，方便后续处理 result = { "code": raw_result["code"], "msg": raw_result["msg"], "data": { "original_items_count": len(raw_result["data"].get("items", [])), "aligned_items_count": len(aligned_items), "items": aligned_items, "clothing_type": self._extract_clothing_type(aligned_items), "similarity_threshold": self.similarity_threshold_map.get(self._extract_clothing_type(aligned_items), 0.70) }, "image_info": {"format": "jpg", "resolution": self.preprocessor.TARGET_RESOLUTION} } return result except Exception as e: return {"code": 500, "msg": f"图片搜索异常：{str(e)}", "data": {}} # 示例：图片搜索+特征对齐 if __name__ == "__main__": # 替换为开放平台申请的AppKey/AppSecret OPTIMIZER = VvicFeatureAlignmentOptimizer( app_key="YOUR_APP_KEY", app_secret="YOUR_APP_SECRET" ) # 自定义筛选条件（适配服装批发场景） custom_filters = { "price_min": 50, "price_max": 100, "batch_num": 3, # 起订量3件（混批） "stock": 1, # 仅现货 "credit_level": "A" # 仅优质档口（A级） } # 执行图片搜索（本地图片示例） search_result = OPTIMIZER.image_search( image_file="./test_dress.jpg", max_results=20, custom_filters=custom_filters ) print(f"搜索状态：{'成功' if search_result['code'] == 200 else '失败'}") if search_result["code"] == 200: print(f"原始结果数：{search_result['data']['original_items_count']}") print(f"特征对齐后结果数：{search_result['data']['aligned_items_count']}") print(f"服装类型：{search_result['data']['clothing_type']}") print(f"使用相似度阈值：{search_result['data']['similarity_threshold']}") if search_result["data"]["items"]: print(f"Top1商品：{search_result['data']['items'][0]['title']}（相似度：{search_result['data']['items'][0]['similarity']}）")
3. 同款聚类去重器：解决结果冗余、同款泛滥问题
这是全网现有教程均未涉及的核心模块，也是服装批发场景图片搜索的刚需。VVIC图片搜索接口返回的结果中，大量存在“同款不同档口、同款不同标题”的商品（如同一版型连衣裙，多个档口均有售卖，标题、价格略有差异），直接使用会严重影响采购效率，采购商需手动筛选同款、比价，耗时费力。本去重器针对服装同款特性，基于“图像特征哈希+标题语义相似度+价格差异”三维度，实现“同款聚类+最优商品筛选”，自动合并同款商品，保留性价比最高的档口货源，输出精准、高价值的搜索结果，直接支撑采购决策，本质是基于感知哈希算法的场景化落地：
from typing import List, Dict, Tuple import imagehash from PIL import Image import requests import numpy as np class VvicSameStyleClusterDeduplicator: """VVIC图片搜索结果同款聚类去重器：基于图像哈希+标题语义+价格，合并同款，筛选最优货源""" def __init__(self): # 优质档口等级（优先保留A/B级档口商品） self.high_quality_shop = {"A", "B"} # 同款判断阈值（三维度阈值，适配服装同款特性） self.image_hash_threshold = 5 # 图像哈希汉明距离≤5，判定为同款（越小越相似） self.title_similarity_threshold = 0.6 # 标题语义相似度≥0.6，判定为同款 self.price_diff_threshold = 0.1 # 价格差异≤10%，判定为同款（避免同款不同价误判） def _calculate_image_hash(self, image_url: str) -> Optional[imagehash.ImageHash]: """计算商品图片哈希值（感知哈希），用于图像相似度比对""" try: # 下载商品图片（接口返回的商品主图） response = requests.get(image_url, timeout=10) response.raise_for_status() img = Image.open(requests.get(image_url, stream=True).raw) # 计算感知哈希（dHash，速度快，适合批量比对） img_hash = imagehash.dhash(img, hash_size=16) return img_hash except Exception as e: print(f"图片哈希计算失败（URL：{image_url}）：{str(e)}") return None def _calculate_title_similarity(self, title1: str, title2: str) -> float: """计算商品标题语义相似度（适配服装档口标题不规范问题）""" # 提取标题核心词（去除产业带、批发等无关词，保留服装核心特征） def extract_core_title(title: str) -> set: stop_words = {"广州十三行", "杭州四季青", "混批", "批发", "打包", "新款", "现货", "2026"} title = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9]", "", title).lower() for stop_word in stop_words: title = title.replace(stop_word, "") # 提取服装核心特征词（版型、细节、图案） core_words = set() core_keywords = ["连衣裙", "衬衫", "裤子", "韩版", "欧美", "圆领", "v领", "碎花", "纯色"] for keyword in core_keywords: if keyword in title: core_words.add(keyword) # 若无核心词，直接返回标题字符集 return core_words if core_words else set(title) core1 = extract_core_title(title1) core2 = extract_core_title(title2) if not core1 or not core2: return 0.0 # 计算交集占比（语义相似度） intersection = core1 & core2 return len(intersection) / max(len(core1), len(core2)) def _calculate_price_diff(self, price1: float, price2: float) -> float: """计算商品价格差异率（避免同款不同价误判）""" if price1 == 0 or price2 == 0: return 1.0 return abs(price1 - price2) / max(price1, price2) def _is_same_style(self, item1: Dict, item2: Dict) -> bool: """判断两个商品是否为同款：三维度综合判断（图像+标题+价格）""" # 1. 图像哈希比对（核心判断依据） img_hash1 = self._calculate_image_hash(item1.get("image_url", "")) img_hash2 = self._calculate_image_hash(item2.get("image_url", "")) if not img_hash1 or not img_hash2: # 图片哈希获取失败，仅用标题+价格判断 title_similarity = self._calculate_title_similarity(item1["title"], item2["title"]) price_diff = self._calculate_price_diff(item1["price"], item2["price"]) return title_similarity >= self.title_similarity_threshold and price_diff <= self.price_diff_threshold # 汉明距离≤阈值，且标题相似度、价格差异满足要求，判定为同款 hash_diff = img_hash1 - img_hash2 title_similarity = self._calculate_title_similarity(item1["title"], item2["title"]) price_diff = self._calculate_price_diff(item1["price"], item2["price"]) return hash_diff <= self.image_hash_threshold and title_similarity >= self.title_similarity_threshold and price_diff <= self.price_diff_threshold def _select_best_item(self, same_style_group: List[Dict]) -> Dict: """从同款商品组中，筛选最优商品（适配服装批发采购需求）""" # 筛选规则（优先级从高到低）：1. 档口等级→2. 价格→3. 销量→4. 库存 return sorted( same_style_group, key=lambda x: ( -1 if x["credit_level"] == "A" else (-0.5 if x["credit_level"] == "B" else 0), # 档口等级：A>B>C x["price"], # 价格升序（优先低价） -x.get("sales", 0), # 销量降序（优先热销） -x.get("stock", 0) # 库存降序（优先现货充足） ) )[0] def cluster_deduplicate(self, items: List[Dict]) -> List[Dict]: """ 全流程同款聚类去重：同款分组→最优商品筛选 :param items: 特征对齐后的商品列表 :return: 去重后的精准商品列表（无同款，仅保留最优货源） """ if len(items) <= 1: return items # 1. 同款商品聚类（分组） same_style_groups = [] for item in items: is_clustered = False # 遍历已有分组，判断是否属于某一组同款 for group in same_style_groups: # 与组内第一个商品比对（组内商品均为同款，无需全部比对） if self._is_same_style(item, group[0]): group.append(item) is_clustered = True break # 未聚类，创建新分组 if not is_clustered: same_style_groups.append([item]) # 2. 从每个分组中筛选最优商品 deduplicated_items = [self._select_best_item(group) for group in same_style_groups] return deduplicated_items # 示例：同款聚类去重 if __name__ == "__main__": DEDUPLICATOR = VvicSameStyleClusterDeduplicator() # 模拟特征对齐后的商品列表（含同款商品） aligned_items = [ { "item_id": "123456", "title": "广州十三行 韩版圆领碎花连衣裙 混批 现货", "price": 69.0, "stock": 50, "credit_level": "A", "sales": 120, "image_url": "https://img.vvic.com/item/123456.jpg", "similarity": 0.92 }, { "item_id": "123457", # 同款商品（同一版型，不同档口） "title": "十三行 韩版圆领碎花裙 混批 现货", "price": 72.0, "stock": 45, "credit_level": "A", "sales": 100, "image_url": "https://img.vvic.com/item/123457.jpg", "similarity": 0.90 }, { "item_id": "123458", # 相似非同款（版型不同） "title": "广州十三行 韩版V领碎花连衣裙 混批", "price": 65.0, "stock": 30, "credit_level": "B", "sales": 80, "image_url": "https://img.vvic.com/item/123458.jpg", "similarity": 0.75 }, { "item_id": "123459", # 同款商品（不同价格，C级档口） "title": "四季青 韩版圆领碎花连衣裙 批发", "price": 68.0, "stock": 60, "credit_level": "C", "sales": 50, "image_url": "https://img.vvic.com/item/123459.jpg", "similarity": 0.88 } ] # 执行同款聚类去重 deduplicated_items = DEDUPLICATOR.cluster_deduplicate(aligned_items) print(f"特征对齐后商品数：{len(aligned_items)}") print(f"同款去重后商品数：{len(deduplicated_items)}") print("去重后商品列表（仅保留最优货源）：") for item in deduplicated_items: print(f"商品ID：{item['item_id']}，标题：{item['title']}，价格：{item['price']}，档口等级：{item['credit_level']}")
4. 批量异步防风控调度架构：解决批量识图阻塞与风控问题
区别于过往贴文的“同步批量调用”逻辑，本架构针对图片搜索“响应时间长、批量调用易触发风控、系统易阻塞”的特点，基于“异步任务队列+分级限流+IP池切换+失败重试+缓存兜底”设计，实现批量图片异步识图，既规避风控风险，又提升批量处理效率，适配企业级“批量以图找款、档口溯源”等业务需求，同时融入图像搜索专属的缓存策略（基于图像哈希缓存，避免重复识图）：
import time import queue import threading import redis import json from typing import List, Callable, Dict, Optional, Tuple from concurrent.futures import ThreadPoolExecutor # 导入前面的核心模块 from vvic_image_preprocessor import VvicImagePreprocessor from vvic_feature_optimizer import VvicFeatureAlignmentOptimizer from vvic_same_style_deduplicator import VvicSameStyleClusterDeduplicator class VvicBatchImageSearchScheduler: """VVIC批量图片搜索异步调度架构：异步任务+分级防风控+批量调度+缓存兜底""" def __init__(self, app_key: str, app_secret: str, max_calls_per_minute: int = 20, redis_host: str = "localhost", ip_pool: Optional[List[str]] = None): self.app_key = app_key self.app_secret = app_secret self.max_calls = max_calls_per_minute # 限流阈值（基础20次/分，高级80次/分） self.ip_pool = ip_pool or [] # IP池（批量搜索时切换IP，规避IP封禁） self.current_ip_idx = 0 # 当前使用的IP索引 # 任务队列（缓冲批量识图任务，避免拥堵） self.task_queue = queue.Queue(maxsize=500) # 结果队列（存储去重后的精准结果） self.result_queue = queue.Queue() self.running = False self.worker_thread = threading.Thread(target=self._process_tasks) # Redis缓存：存储图片哈希缓存、限流计数、IP状态（图片缓存基于哈希，避免重复识图） self.redis_client = redis.Redis(host=redis_host, port=6379, db=0, decode_responses=True) self.executor = ThreadPoolExecutor(max_workers=2) # 控制并发数（避免阻塞） # 初始化核心模块 self.preprocessor = VvicImagePreprocessor() self.feature_optimizer = VvicFeatureAlignmentOptimizer(app_key, app_secret) self.deduplicator = VvicSameStyleClusterDeduplicator() # 图片识图频率控制（同一图片哈希10分钟内最多搜索1次，避免重复识图触发风控） self.image_freq_limit = {"count": 1, "expire": 600} def _switch_ip(self) -> Optional[str]: """IP池切换：触发限流时，切换IP继续识图（需提前准备可用IP）""" if not self.ip_pool: return None self.current_ip_idx = (self.current_ip_idx + 1) % len(self.ip_pool) return self.ip_pool[self.current_ip_idx] def _check_image_freq(self, image_hash: str) -> bool: """图片频率控制：基于图片哈希，避免同一图片重复识图""" cache_key = f"vvic:image:freq:{image_hash}" current_count = self.redis_client.incr(cache_key, 1) if current_count == 1: self.redis_client.expire(cache_key, self.image_freq_limit["expire"]) return current_count <= self.image_freq_limit["count"] def _can_call(self) -> bool: """分级限流：基于滑动窗口，判断是否允许发起新请求（适配图片搜索低频次约束）""" now = time.time() # 滑动窗口时间戳存储（Redis，避免进程重启丢失） cache_key = f"vvic:image:timestamps:{self.app_key}" timestamps = self.redis_client.lrange(cache_key, 0, -1) timestamps = [float(ts) for ts in timestamps if now - float(ts) < 60] if len(timestamps) < self.max_calls: # 添加当前时间戳，设置过期时间（1分钟） self.redis_client.rpush(cache_key, now) self.redis_client.expire(cache_key, 60) return True return False def _get_cached_result(self, image_hash: str) -> Optional[List[Dict]]: """图片缓存：基于图片哈希，缓存去重后的结果（10分钟有效期）""" cache_key = f"vvic:image:cache:{image_hash}" cached_data = self.redis_client.get(cache_key) return json.loads(cached_data) if cached_data else None def _cache_result(self, image_hash: str, data: List[Dict]): """缓存去重后的结果，避免重复识图""" cache_key = f"vvic:image:cache:{image_hash}" self.redis_client.setex(cache_key, 600, json.dumps(data)) def _calculate_image_global_hash(self, image_input: Optional[str] = None, image_file: Optional[str] = None) -> str: """计算图片全局哈希（用于缓存和频率控制）""" # 预处理图片，获取标准化后的图片字节流 try: if image_file: with open(image_file, "rb") as f: image_bytes = f.read() else: import requests response = requests.get(image_input, timeout=10) image_bytes = response.content img = Image.open(BytesIO(image_bytes)) img = img.convert("RGB").resize((64, 64), Image.Resampling.LANCZOS) global_hash = str(imagehash.dhash(img)) return global_hash except Exception as e: raise Exception(f"图片全局哈希计算失败：{str(e)}") def add_batch_task(self, image_tasks: List[Tuple[Optional[str], Optional[str]]], custom_filters: Optional[Dict] = None, callback: Optional[Callable] = None): """ 添加批量识图任务：支持多个图片（URL/本地文件），统一筛选条件 :param image_tasks: 图片任务列表，每个元素为（image_url, image_file）二选一 :param custom_filters: 自定义筛选条件 :param callback: 任务完成后的回调函数 """ custom_filters = custom_filters or {} for image_url, image_file in image_tasks: if self.task_queue.full(): print(f"任务队列已满，图片任务（URL：{image_url}，文件：{image_file}）无法添加") continue # 计算图片全局哈希，检查频率限制 try: image_hash = self._calculate_image_global_hash(image_url, image_file) if not self._check_image_freq(image_hash): print(f"图片哈希【{image_hash}】超过搜索频率限制，暂不添加任务") continue # 添加任务至队列（携带图片哈希，用于缓存） self.task_queue.put((image_url, image_file, image_hash, custom_filters, callback)) except Exception as e: print(f"图片任务预处理失败：{str(e)}") continue def _execute_single_task(self, image_url: Optional[str], image_file: Optional[str], image_hash: str, custom_filters: Dict) -> List[Dict]: """执行单个识图任务：预处理+特征对齐+同款去重，含3次重试+IP切换""" retry_count = 0 max_retry = 3 result = [] current_ip = self.ip_pool[0] if self.ip_pool else None while retry_count < max_retry: try: # 优先获取缓存结果 cached_result = self._get_cached_result(image_hash) if cached_result: return cached_result # 等待至可调用状态（限流控制） while not self._can_call(): time.sleep(0.5) # 执行图片搜索（添加IP代理，切换IP规避风控） proxies = {"http": current_ip, "https": current_ip} if current_ip else None # 临时修改requests的proxies配置（适配图片搜索POST请求） import requests.adapters session = requests.Session() if proxies: session.proxies = proxies # 调用特征对齐优化模块，执行识图 search_result = self.feature_optimizer.image_search( image_input=image_url, image_file=image_file, max_results=20, custom_filters=custom_filters ) if search_result["code"] == 200: # 提取特征对齐后的商品列表，执行同款去重 aligned_items = search_result["data"].get("items", []) deduplicated_items = self.deduplicator.cluster_deduplicate(aligned_items) # 缓存去重后的结果 self._cache_result(image_hash, deduplicated_items) result = deduplicated_items break elif search_result["code"] == 429: # 触发限流，切换IP并重试 current_ip = self._switch_ip() if not current_ip: time.sleep(3 * (retry_count + 1)) retry_count += 1 print(f"图片哈希【{image_hash}】触发限流，重试{retry_count}/{max_retry}，切换IP：{current_ip}") else: raise Exception(f"识图错误：{search_result['msg']}") except Exception as e: retry_count += 1 print(f"图片哈希【{image_hash}】识图失败，重试{retry_count}/{max_retry}，原因：{str(e)}") time.sleep(2 * retry_count) return result if result else [] def _process_tasks(self): """任务处理循环：异步调度+单任务执行+回调处理""" while self.running: if not self.task_queue.empty(): image_url, image_file, image_hash, custom_filters, callback = self.task_queue.get() # 提交单个任务至线程池执行（异步，避免阻塞） task_future = self.executor.submit( self._execute_single_task, image_url, image_file, image_hash, custom_filters ) # 执行回调函数（如需实时处理结果） if callback: task_future.add_done_callback(lambda future, img_hash=image_hash: callback(img_hash, future.result())) # 将结果存入结果队列 self.result_queue.put((image_hash, task_future.result())) self.task_queue.task_done() else: time.sleep(1.0) # 图片搜索响应慢，延长空闲等待时间 def start(self): """启动批量异步调度控制器""" if self.running: return self.running = True self.worker_thread.start() print(f"VVIC批量图片搜索调度器启动，限流阈值：{self.max_calls}次/分钟，IP池数量：{len(self.ip_pool)}") def stop(self): """停止控制器，释放资源""" self.running = False self.worker_thread.join() self.executor.shutdown(wait=True) self.task_queue.join() self.result_queue.join() print("VVIC批量图片搜索调度器停止，资源已释放") def get_batch_result(self) -> Dict[str, List[Dict]]: """获取批量识图结果：图片哈希为键，去重后的商品列表为值""" batch_result = {} while not self.result_queue.empty(): image_hash, result = self.result_queue.get() batch_result[image_hash] = result self.result_queue.task_done() return batch_result # 示例：批量图片异步搜索调度 if __name__ == "__main__": # 自定义回调函数（实时处理单个图片识图结果） def task_callback(image_hash: str, result: List[Dict]): print(f"\n=== 图片哈希【{image_hash}】识图完成 ===") print(f"去重后商品数：{len(result)}") if result: print(f"Top1商品：{result[0]['title']}（价格：{result[0]['price']}元，档口等级：{result[0]['credit_level']}）") # 初始化批量调度器（基础权限20次/分钟，配置IP池） scheduler = VvicBatchImageSearchScheduler( app_key="YOUR_APP_KEY", app_secret="YOUR_APP_SECRET", max_calls_per_minute=20, ip_pool=["http://127.0.0.1:8888", "http://127.0.0.1:8889"], # 示例IP池，需替换为可用IP redis_host="localhost" ) # 批量图片任务（支持URL和本地文件，二选一） batch_image_tasks = [ ("https://img.vvic.com/item/test1.jpg", None), # 图片URL (None, "./test_dress.jpg"), # 本地图片 ("https://img.vvic.com/item/test3.jpg", None), # 图片URL (None, "./test_shirt.jpg") # 本地图片 ] # 统一自定义筛选条件 custom_filters = { "price_min": 40, "price_max": 120, "batch_num": 3, "stock": 1, "credit_level": "A" } # 启动调度器，添加批量任务 scheduler.start() scheduler.add_batch_task( image_tasks=batch_image_tasks, custom_filters=custom_filters, callback=task_callback ) # 等待所有任务完成，获取批量结果 scheduler.task_queue.join() batch_result = scheduler.get_batch_result() print(f"\n=== 批量识图完成 ===") print(f"总图片任务数：{len(batch_image_tasks)}") print(f"有效识图结果数：{sum([len(v) for v in batch_result.values()])}") # 停止调度器 scheduler.stop()
————————————————
版权声明：本文为CSDN博主「一人の梅雨」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/2503_90284255/article/details/157550009
一、核心认知：VVIC图片搜索接口的差异化特性（区别于全网+过往贴文）
VVIC图片搜索接口与综合电商（淘宝、京东）图片搜索接口、自身关键词/详情接口差异显著，其设计逻辑深度贴合服装批发“找同款、找档口、批量比对”的核心需求，四大核心特性直接决定开发思路——照搬通用识图经验、复用过往接口框架，必然导致匹配失真、风控触发、业务适配性差，这也是全网现有教程的核心盲区：
识图场景适配服装批发专属需求：用户上传的图片多为“服装实物图、版型图、细节图”（而非商品主图），接口核心需求是“匹配同款/相似款服装的档口货源”，而非普通商品匹配；且需重点识别服装版型、纹理、领口/袖口细节（如韩版连衣裙的领口设计、牛仔裤的裤型），颜色偏差、背景杂乱对匹配结果影响极大，这与基于内容的通用图像检索逻辑有明显区别[6]。
图像参数约束严苛且隐蔽：接口对图片格式、大小、分辨率、编码方式有明确限制（仅支持JPG/PNG/WebP，单张≤5MB，分辨率≥800×800像素），且需对图片进行Base64编码（部分场景需带格式前缀），编码错误、参数缺失会直接返回400错误，且错误提示模糊（仅显示“参数无效”，不明确具体原因）[2]。
结果冗余且噪声多，同款去重难度大：接口返回结果中包含大量“同款不同档口、相似款非同款、低质量档口货源、库存为0的无效商品”，且同款服装的标题、图片表述差异较大（如同一版型连衣裙，档口标注“韩版碎花裙”“通勤碎花连衣裙”），常规去重逻辑（标题比对）无法满足需求，需基于图像特征进行聚类去重[9]。
批量识图风控严苛，异步处理需求突出：按AppKey分级限流（基础权限20次/分钟、高级权限80次/分钟），批量上传图片识图时，易触发IP封禁、接口降级；且单张图片识图响应时间较长（1-3秒），同步批量调用会导致系统阻塞，需基于异步架构设计批量调度逻辑，同时规避关键词频率过高的风控陷阱。
核心提醒：1. VVIC图片搜索接口仅对企业/个体工商户开放，个人开发者仅能获取基础搜索结果，无同款聚类、档口溯源等增值权限；2. 本文方案全程基于官方开放接口开发，规避爬虫、模拟用户行为、非法抓取图片等违规操作，数据用途严格遵循《VVIC开放平台服务条款》，杜绝二次传播档口敏感信息；3. 与我过往撰写的VVIC关键词、详情接口贴文相比，本次无任何模块复用，聚焦图片搜索全流程，重点解决“图像适配、特征对齐、同款去重、批量异步调度”四大核心问题，与全网基础教程形成本质区别；4. 接口签名逻辑与V2.1版本（关键词搜索）不同，需单独适配图片参数的编码与签名规则，避免签名失败。
点击获取key和secret
二、差异化方案实现：四大核心模块（全图片搜索专属，无过往模块复用）
方案基于VVIC开放平台V2.2接口构建，核心包含“图像预处理引擎+特征对齐优化模块+同款聚类去重器+批量异步防风控调度架构”，技术栈以Python为主，整合OpenCV、PIL等图像处理工具，兼顾服装批发识图场景适配、批量高效调用与高可用需求，全程围绕“图片搜索”核心，每一个模块均为全网现有教程未涉及的进阶内容，彻底摆脱同质化困境。
1. 图像预处理引擎：解决图像适配与编码错误问题
这是图片搜索的基础前提，也是全网现有教程最易忽视的核心环节。常规方案仅简单将图片转为Base64编码后传入接口，易出现“格式不兼容、分辨率不足、编码错误、签名失败”等问题（如上传PNG透明底图片、低分辨率模糊图，均会导致匹配失真或接口报错）。本引擎针对VVIC接口约束与服装图片特性，实现“格式标准化+分辨率调整+噪声去除+编码优化+签名适配”全流程预处理，确保图片符合接口要求，同时提升后续特征匹配精度，适配服装细节识别需求：
import cv2 import base64 import numpy as np from PIL import Image from io import BytesIO import re from typing import Optional, Tuple, BytesIO class VvicImagePreprocessor: """VVIC图片搜索预处理引擎：格式标准化+分辨率调整+噪声去除+编码优化，适配接口约束与服装识图场景""" def __init__(self): # VVIC图片搜索接口约束参数（全网教程未明确的隐蔽要求） self.ALLOWED_FORMATS = {"jpg", "jpeg", "png", "webp"} self.MAX_SIZE_MB = 5 self.MIN_RESOLUTION = (800, 800) # 最小分辨率，低于此值会导致匹配失真 self.TARGET_RESOLUTION = (1024, 1024) # 目标分辨率，平衡精度与速度 self.BASE64_PREFIX = "data:image/jpeg;base64," # V2.2版本强制要求的编码前缀 def _format_conversion(self, image_bytes: BytesIO) -> Tuple[Image.Image, str]: """格式标准化：将图片转为JPG格式（去除透明底），适配接口要求""" try: img = Image.open(image_bytes) # 处理透明底PNG，转为白色背景JPG（服装图片透明底会影响特征匹配） if img.mode in ("RGBA", "P"): background = Image.new("RGB", img.size, (255, 255, 255)) background.paste(img, mask=img.split()[3] if img.mode == "RGBA" else None) img = background # 统一转为JPG格式 img = img.convert("RGB") return img, "jpg" except Exception as e: raise ValueError(f"图片格式转换失败：{str(e)}") def _adjust_resolution(self, img: Image.Image) -> Image.Image: """分辨率调整：确保图片满足最小分辨率，按比例缩放至目标分辨率，避免拉伸变形""" width, height = img.size # 低于最小分辨率，直接抛出异常（模糊图会导致匹配失真） if width < self.MIN_RESOLUTION[0] or height < self.MIN_RESOLUTION[1]: raise ValueError(f"图片分辨率过低（当前：{width}×{height}），需≥800×800像素") # 按比例缩放至目标分辨率，避免拉伸 scale = min(self.TARGET_RESOLUTION[0]/width, self.TARGET_RESOLUTION[1]/height) new_width = int(width * scale) new_height = int(height * scale) img = img.resize((new_width, new_height), Image.Resampling.LANCZOS) # 高质量缩放，保留细节 return img def _remove_noise(self, img: Image.Image) -> Image.Image: """噪声去除：针对服装图片，去除背景杂乱、细节模糊等噪声，提升特征匹配精度""" # 转为OpenCV格式，进行高斯模糊去噪（保留服装细节，去除轻微噪声） img_cv = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR) # 高斯模糊（核大小3×3，标准差1.5，平衡去噪与细节保留） img_denoised = cv2.GaussianBlur(img_cv, (3, 3), 1.5) # 转回PIL格式 img = Image.fromarray(cv2.cvtColor(img_denoised, cv2.COLOR_BGR2RGB)) return img def _image_to_base64(self, img: Image.Image) -> str: """图片转Base64：适配VVIC V2.2版本要求，添加格式前缀，处理编码特殊字符""" buffer = BytesIO() img.save(buffer, format="JPEG", quality=90) # 保存为JPG，质量90（平衡大小与精度） image_bytes = buffer.getvalue() # 校验图片大小，不超过5MB if len(image_bytes) > self.MAX_SIZE_MB * 1024 * 1024: raise ValueError(f"图片大小超过{self.MAX_SIZE_MB}MB，需压缩后上传") # 转Base64，添加前缀，替换特殊字符（避免签名失败） base64_str = base64.b64encode(image_bytes).decode("utf-8") base64_str = self.BASE64_PREFIX + base64_str # 替换Base64中的特殊字符（VVIC接口对+、/等字符敏感，需URL编码） base64_str = re.sub(r"\+", "%2B", base64_str) base64_str = re.sub(r"/", "%2F", base64_str) base64_str = re.sub(r"=", "%3D", base64_str) return base64_str def preprocess(self, image_input: Optional[str] = None, image_file: Optional[str] = None) -> str: """ 全流程预处理：支持图片URL、本地文件路径输入，输出适配接口的Base64编码 :param image_input: 图片URL（二选一） :param image_file: 本地图片文件路径（二选一） :return: 适配VVIC接口的Base64编码字符串 """ if not image_input and not image_file: raise ValueError("请输入图片URL或本地文件路径") try: # 读取图片（支持URL和本地文件） if image_file: with open(image_file, "rb") as f: image_bytes = BytesIO(f.read()) else: import requests response = requests.get(image_input, timeout=10) response.raise_for_status() image_bytes = BytesIO(response.content) # 1. 格式标准化（转为JPG，去除透明底） img, fmt = self._format_conversion(image_bytes) # 2. 分辨率调整（满足最小要求，按比例缩放） img = self._adjust_resolution(img) # 3. 噪声去除（提升特征匹配精度） img = self._remove_noise(img) # 4. 转Base64编码（适配接口要求） base64_str = self._image_to_base64(img) return base64_str except Exception as e: raise Exception(f"图片预处理失败：{str(e)}") # 示例：图片预处理（支持本地文件和URL） if __name__ == "__main__": PREPROCESSOR = VvicImagePreprocessor() # 示例1：本地图片预处理 try: base64_str = PREPROCESSOR.preprocess(image_file="./test_dress.jpg") print(f"本地图片预处理完成，Base64编码长度：{len(base64_str)}") except Exception as e: print(f"本地图片预处理失败：{str(e)}") # 示例2：图片URL预处理 try: image_url = "https://img.vvic.com/item/123456.jpg" # 模拟服装图片URL base64_str = PREPROCESSOR.preprocess(image_input=image_url) print(f"URL图片预处理完成，Base64编码长度：{len(base64_str)}") except Exception as e: print(f"URL图片预处理失败：{str(e)}")
2. 特征对齐优化模块：解决识图匹配失真问题
这是本次贴文的核心差异化亮点之一，全网现有教程均未涉及。VVIC图片搜索接口默认基于图片全局特征匹配，但服装批发场景中，“同款不同角度、不同颜色、不同细节”的服装（如黑色韩版连衣裙与白色韩版连衣裙，同一版型不同领口），全局特征差异较大，易出现“匹配不到同款”或“匹配到相似非同款”的问题。本模块基于服装识图特性，实现“VVIC接口特征与服装局部特征对齐+相似度阈值动态调整+颜色/版型特征补偿”，大幅提升同款匹配精度，适配服装批发“找同款、找相似”的核心需求，本质是对CBIR架构的场景化优化：
import hashlib import time import json import requests from typing import Dict, Optional, List, Tuple from vvic_image_preprocessor import VvicImagePreprocessor class VvicFeatureAlignmentOptimizer: """VVIC图片搜索特征对齐优化模块：特征对齐+相似度动态调整+特征补偿，提升匹配精度""" def __init__(self, app_key: str, app_secret: str): self.app_key = app_key self.app_secret = app_secret self.base_url = "https://api.vvic.com/api/search/item/image" self.preprocessor = VvicImagePreprocessor() # 关联图片预处理模块 # 服装核心局部特征（用于特征补偿，提升匹配精度） self.clothing_local_features = [ "collar", # 领口 "sleeve", # 袖口 "hem", # 下摆 "pattern", # 图案 "version" # 版型 ] # 相似度阈值动态调整规则（根据服装类型调整，适配不同版型匹配需求） self.similarity_threshold_map = { "dress": 0.75, # 连衣裙：版型敏感，阈值较高 "shirt": 0.70, # 衬衫：细节敏感，阈值中等 "trousers": 0.72, # 裤子：裤型敏感，阈值中等 "sweater": 0.68, # 毛衣：纹理敏感，阈值较低 "default": 0.70 # 默认阈值 } def _generate_sign(self, params: Dict) -> str: """生成VVIC V2.2版本规范签名：适配图片Base64参数，与关键词搜索签名逻辑不同""" # 排除sign字段，按参数名ASCII升序排序 sorted_params = sorted([(k, v) for k, v in params.items() if k != "sign"], key=lambda x: x[0]) # 拼接格式：app_secret + key1value1key2value2 + app_secret（图片参数需单独编码） sign_str = self.app_secret for k, v in sorted_params: # 图片Base64参数需先解码，再参与签名（避免编码字符导致签名失真） if k == "image_base64": # 去除Base64前缀，解码特殊字符 v = re.sub(r"data:image/jpeg;base64,", "", v) v = re.sub(r"%2B", "+", v) v = re.sub(r"%2F", "/", v) v = re.sub(r"%3D", "=", v) # 处理中文参数编码 if isinstance(v, str) and re.search(r"[\u4e00-\u9fa5]", v): v = v.encode("utf-8").decode("utf-8") sign_str += f"{k}{v}" sign_str += self.app_secret # MD5加密，返回32位小写字符串 return hashlib.md5(sign_str.encode("utf-8")).hexdigest().lower() def _extract_clothing_type(self, items: List[Dict]) -> str: """提取服装类型（连衣裙/衬衫/裤子等），用于动态调整相似度阈值""" if not items: return "default" # 从搜索结果标题中提取服装类型（适配档口标题不规范问题） clothing_type_map = { "dress": ["连衣裙", "长裙", "短裙"], "shirt": ["衬衫", "衬衣"], "trousers": ["裤子", "牛仔裤", "休闲裤"], "sweater": ["毛衣", "针织衫", "线衣"] } for item in items: title = item.get("title", "").lower() for type_key, type_words in clothing_type_map.items(): if any(word in title for word in type_words): return type_key return "default" def _feature_alignment(self, raw_result: Dict) -> List[Dict]: """特征对齐：将VVIC接口返回的全局特征，与服装局部特征对齐，过滤相似非同款""" if raw_result.get("code") != 200: return [] items = raw_result["data"].get("items", []) if not items: return [] # 提取服装类型，动态获取相似度阈值 clothing_type = self._extract_clothing_type(items) threshold = self.similarity_threshold_map.get(clothing_type, 0.70) aligned_items = [] for item in items: # 1. 全局相似度过滤（基于接口返回的similarity字段） similarity = item.get("similarity", 0.0) if similarity < threshold: continue # 2. 局部特征对齐（补偿全局特征不足，过滤相似非同款） item_title = item.get("title", "").lower() # 提取接口返回的商品特征（简化为标题中的局部特征关键词） item_features = [] for feature in self.clothing_local_features: # 领口特征（圆领、V领、方领） if feature == "collar": if any(collar in item_title for collar in ["圆领", "v领", "方领"]): item_features.append("collar") # 袖口特征（长袖、短袖、喇叭袖） elif feature == "sleeve": if any(sleeve in item_title for sleeve in ["长袖", "短袖", "喇叭袖"]): item_features.append("sleeve") # 版型特征（韩版、欧美、通勤） elif feature == "version": if any(version in item_title for version in ["韩版", "欧美", "通勤"]): item_features.append("version") # 局部特征匹配：至少匹配1个局部特征，避免全局相似但局部差异过大（相似非同款） if len(item_features) >= 1: aligned_items.append(item) return aligned_items def image_search(self, image_input: Optional[str] = None, image_file: Optional[str] = None, max_results: int = 20, custom_filters: Optional[Dict] = None) -> Dict: """ 图片搜索核心方法：预处理+签名+接口调用+特征对齐，解决匹配失真问题 :param image_input: 图片URL（二选一） :param image_file: 本地图片文件路径（二选一） :param max_results: 最大返回结果数（1-50，接口限制） :param custom_filters: 自定义筛选条件（价格区间、起订量等） :return: 特征对齐后的精准搜索结果 """ custom_filters = custom_filters or {} try: # 1. 图片预处理，获取适配接口的Base64编码 image_base64 = self.preprocessor.preprocess(image_input=image_input, image_file=image_file) # 2. 拼接接口公共参数（必传，缺失会导致签名失败） public_params = { "app_key": self.app_key, "image_base64": image_base64, "max_results": max_results, "timestamp": str(int(time.time() * 1000)), # 毫秒级时间戳（V2.2强制要求） "version": "2.2", "sign_method": "md5" } # 3. 合并公共参数与自定义筛选条件 final_params = {**public_params, **custom_filters} # 4. 生成签名（适配图片Base64参数） final_params["sign"] = self._generate_sign(final_params) # 5. 调用接口（设置较长超时时间，适配图片搜索响应慢的问题） response = requests.post( url=self.base_url, json=final_params, # 图片搜索需用POST请求，JSON格式传参 headers={"Content-Type": "application/json", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120.0.0.0 Safari/537.36"}, timeout=15 # 图片搜索响应较慢，超时时间设为15秒 ) response.raise_for_status() raw_result = response.json() # 6. 特征对齐，过滤相似非同款，提升匹配精度 aligned_items = self._feature_alignment(raw_result) # 补充预处理、特征对齐相关信息，方便后续处理 result = { "code": raw_result["code"], "msg": raw_result["msg"], "data": { "original_items_count": len(raw_result["data"].get("items", [])), "aligned_items_count": len(aligned_items), "items": aligned_items, "clothing_type": self._extract_clothing_type(aligned_items), "similarity_threshold": self.similarity_threshold_map.get(self._extract_clothing_type(aligned_items), 0.70) }, "image_info": {"format": "jpg", "resolution": self.preprocessor.TARGET_RESOLUTION} } return result except Exception as e: return {"code": 500, "msg": f"图片搜索异常：{str(e)}", "data": {}} # 示例：图片搜索+特征对齐 if __name__ == "__main__": # 替换为开放平台申请的AppKey/AppSecret OPTIMIZER = VvicFeatureAlignmentOptimizer( app_key="YOUR_APP_KEY", app_secret="YOUR_APP_SECRET" ) # 自定义筛选条件（适配服装批发场景） custom_filters = { "price_min": 50, "price_max": 100, "batch_num": 3, # 起订量3件（混批） "stock": 1, # 仅现货 "credit_level": "A" # 仅优质档口（A级） } # 执行图片搜索（本地图片示例） search_result = OPTIMIZER.image_search( image_file="./test_dress.jpg", max_results=20, custom_filters=custom_filters ) print(f"搜索状态：{'成功' if search_result['code'] == 200 else '失败'}") if search_result["code"] == 200: print(f"原始结果数：{search_result['data']['original_items_count']}") print(f"特征对齐后结果数：{search_result['data']['aligned_items_count']}") print(f"服装类型：{search_result['data']['clothing_type']}") print(f"使用相似度阈值：{search_result['data']['similarity_threshold']}") if search_result["data"]["items"]: print(f"Top1商品：{search_result['data']['items'][0]['title']}（相似度：{search_result['data']['items'][0]['similarity']}）")
3. 同款聚类去重器：解决结果冗余、同款泛滥问题
这是全网现有教程均未涉及的核心模块，也是服装批发场景图片搜索的刚需。VVIC图片搜索接口返回的结果中，大量存在“同款不同档口、同款不同标题”的商品（如同一版型连衣裙，多个档口均有售卖，标题、价格略有差异），直接使用会严重影响采购效率，采购商需手动筛选同款、比价，耗时费力。本去重器针对服装同款特性，基于“图像特征哈希+标题语义相似度+价格差异”三维度，实现“同款聚类+最优商品筛选”，自动合并同款商品，保留性价比最高的档口货源，输出精准、高价值的搜索结果，直接支撑采购决策，本质是基于感知哈希算法的场景化落地：
from typing import List, Dict, Tuple import imagehash from PIL import Image import requests import numpy as np class VvicSameStyleClusterDeduplicator: """VVIC图片搜索结果同款聚类去重器：基于图像哈希+标题语义+价格，合并同款，筛选最优货源""" def __init__(self): # 优质档口等级（优先保留A/B级档口商品） self.high_quality_shop = {"A", "B"} # 同款判断阈值（三维度阈值，适配服装同款特性） self.image_hash_threshold = 5 # 图像哈希汉明距离≤5，判定为同款（越小越相似） self.title_similarity_threshold = 0.6 # 标题语义相似度≥0.6，判定为同款 self.price_diff_threshold = 0.1 # 价格差异≤10%，判定为同款（避免同款不同价误判） def _calculate_image_hash(self, image_url: str) -> Optional[imagehash.ImageHash]: """计算商品图片哈希值（感知哈希），用于图像相似度比对""" try: # 下载商品图片（接口返回的商品主图） response = requests.get(image_url, timeout=10) response.raise_for_status() img = Image.open(requests.get(image_url, stream=True).raw) # 计算感知哈希（dHash，速度快，适合批量比对） img_hash = imagehash.dhash(img, hash_size=16) return img_hash except Exception as e: print(f"图片哈希计算失败（URL：{image_url}）：{str(e)}") return None def _calculate_title_similarity(self, title1: str, title2: str) -> float: """计算商品标题语义相似度（适配服装档口标题不规范问题）""" # 提取标题核心词（去除产业带、批发等无关词，保留服装核心特征） def extract_core_title(title: str) -> set: stop_words = {"广州十三行", "杭州四季青", "混批", "批发", "打包", "新款", "现货", "2026"} title = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9]", "", title).lower() for stop_word in stop_words: title = title.replace(stop_word, "") # 提取服装核心特征词（版型、细节、图案） core_words = set() core_keywords = ["连衣裙", "衬衫", "裤子", "韩版", "欧美", "圆领", "v领", "碎花", "纯色"] for keyword in core_keywords: if keyword in title: core_words.add(keyword) # 若无核心词，直接返回标题字符集 return core_words if core_words else set(title) core1 = extract_core_title(title1) core2 = extract_core_title(title2) if not core1 or not core2: return 0.0 # 计算交集占比（语义相似度） intersection = core1 & core2 return len(intersection) / max(len(core1), len(core2)) def _calculate_price_diff(self, price1: float, price2: float) -> float: """计算商品价格差异率（避免同款不同价误判）""" if price1 == 0 or price2 == 0: return 1.0 return abs(price1 - price2) / max(price1, price2) def _is_same_style(self, item1: Dict, item2: Dict) -> bool: """判断两个商品是否为同款：三维度综合判断（图像+标题+价格）""" # 1. 图像哈希比对（核心判断依据） img_hash1 = self._calculate_image_hash(item1.get("image_url", "")) img_hash2 = self._calculate_image_hash(item2.get("image_url", "")) if not img_hash1 or not img_hash2: # 图片哈希获取失败，仅用标题+价格判断 title_similarity = self._calculate_title_similarity(item1["title"], item2["title"]) price_diff = self._calculate_price_diff(item1["price"], item2["price"]) return title_similarity >= self.title_similarity_threshold and price_diff <= self.price_diff_threshold # 汉明距离≤阈值，且标题相似度、价格差异满足要求，判定为同款 hash_diff = img_hash1 - img_hash2 title_similarity = self._calculate_title_similarity(item1["title"], item2["title"]) price_diff = self._calculate_price_diff(item1["price"], item2["price"]) return hash_diff <= self.image_hash_threshold and title_similarity >= self.title_similarity_threshold and price_diff <= self.price_diff_threshold def _select_best_item(self, same_style_group: List[Dict]) -> Dict: """从同款商品组中，筛选最优商品（适配服装批发采购需求）""" # 筛选规则（优先级从高到低）：1. 档口等级→2. 价格→3. 销量→4. 库存 return sorted( same_style_group, key=lambda x: ( -1 if x["credit_level"] == "A" else (-0.5 if x["credit_level"] == "B" else 0), # 档口等级：A>B>C x["price"], # 价格升序（优先低价） -x.get("sales", 0), # 销量降序（优先热销） -x.get("stock", 0) # 库存降序（优先现货充足） ) )[0] def cluster_deduplicate(self, items: List[Dict]) -> List[Dict]: """ 全流程同款聚类去重：同款分组→最优商品筛选 :param items: 特征对齐后的商品列表 :return: 去重后的精准商品列表（无同款，仅保留最优货源） """ if len(items) <= 1: return items # 1. 同款商品聚类（分组） same_style_groups = [] for item in items: is_clustered = False # 遍历已有分组，判断是否属于某一组同款 for group in same_style_groups: # 与组内第一个商品比对（组内商品均为同款，无需全部比对） if self._is_same_style(item, group[0]): group.append(item) is_clustered = True break # 未聚类，创建新分组 if not is_clustered: same_style_groups.append([item]) # 2. 从每个分组中筛选最优商品 deduplicated_items = [self._select_best_item(group) for group in same_style_groups] return deduplicated_items # 示例：同款聚类去重 if __name__ == "__main__": DEDUPLICATOR = VvicSameStyleClusterDeduplicator() # 模拟特征对齐后的商品列表（含同款商品） aligned_items = [ { "item_id": "123456", "title": "广州十三行 韩版圆领碎花连衣裙 混批 现货", "price": 69.0, "stock": 50, "credit_level": "A", "sales": 120, "image_url": "https://img.vvic.com/item/123456.jpg", "similarity": 0.92 }, { "item_id": "123457", # 同款商品（同一版型，不同档口） "title": "十三行 韩版圆领碎花裙 混批 现货", "price": 72.0, "stock": 45, "credit_level": "A", "sales": 100, "image_url": "https://img.vvic.com/item/123457.jpg", "similarity": 0.90 }, { "item_id": "123458", # 相似非同款（版型不同） "title": "广州十三行 韩版V领碎花连衣裙 混批", "price": 65.0, "stock": 30, "credit_level": "B", "sales": 80, "image_url": "https://img.vvic.com/item/123458.jpg", "similarity": 0.75 }, { "item_id": "123459", # 同款商品（不同价格，C级档口） "title": "四季青 韩版圆领碎花连衣裙 批发", "price": 68.0, "stock": 60, "credit_level": "C", "sales": 50, "image_url": "https://img.vvic.com/item/123459.jpg", "similarity": 0.88 } ] # 执行同款聚类去重 deduplicated_items = DEDUPLICATOR.cluster_deduplicate(aligned_items) print(f"特征对齐后商品数：{len(aligned_items)}") print(f"同款去重后商品数：{len(deduplicated_items)}") print("去重后商品列表（仅保留最优货源）：") for item in deduplicated_items: print(f"商品ID：{item['item_id']}，标题：{item['title']}，价格：{item['price']}，档口等级：{item['credit_level']}")
4. 批量异步防风控调度架构：解决批量识图阻塞与风控问题
区别于过往贴文的“同步批量调用”逻辑，本架构针对图片搜索“响应时间长、批量调用易触发风控、系统易阻塞”的特点，基于“异步任务队列+分级限流+IP池切换+失败重试+缓存兜底”设计，实现批量图片异步识图，既规避风控风险，又提升批量处理效率，适配企业级“批量以图找款、档口溯源”等业务需求，同时融入图像搜索专属的缓存策略（基于图像哈希缓存，避免重复识图）：
import time import queue import threading import redis import json from typing import List, Callable, Dict, Optional, Tuple from concurrent.futures import ThreadPoolExecutor # 导入前面的核心模块 from vvic_image_preprocessor import VvicImagePreprocessor from vvic_feature_optimizer import VvicFeatureAlignmentOptimizer from vvic_same_style_deduplicator import VvicSameStyleClusterDeduplicator class VvicBatchImageSearchScheduler: """VVIC批量图片搜索异步调度架构：异步任务+分级防风控+批量调度+缓存兜底""" def __init__(self, app_key: str, app_secret: str, max_calls_per_minute: int = 20, redis_host: str = "localhost", ip_pool: Optional[List[str]] = None): self.app_key = app_key self.app_secret = app_secret self.max_calls = max_calls_per_minute # 限流阈值（基础20次/分，高级80次/分） self.ip_pool = ip_pool or [] # IP池（批量搜索时切换IP，规避IP封禁） self.current_ip_idx = 0 # 当前使用的IP索引 # 任务队列（缓冲批量识图任务，避免拥堵） self.task_queue = queue.Queue(maxsize=500) # 结果队列（存储去重后的精准结果） self.result_queue = queue.Queue() self.running = False self.worker_thread = threading.Thread(target=self._process_tasks) # Redis缓存：存储图片哈希缓存、限流计数、IP状态（图片缓存基于哈希，避免重复识图） self.redis_client = redis.Redis(host=redis_host, port=6379, db=0, decode_responses=True) self.executor = ThreadPoolExecutor(max_workers=2) # 控制并发数（避免阻塞） # 初始化核心模块 self.preprocessor = VvicImagePreprocessor() self.feature_optimizer = VvicFeatureAlignmentOptimizer(app_key, app_secret) self.deduplicator = VvicSameStyleClusterDeduplicator() # 图片识图频率控制（同一图片哈希10分钟内最多搜索1次，避免重复识图触发风控） self.image_freq_limit = {"count": 1, "expire": 600} def _switch_ip(self) -> Optional[str]: """IP池切换：触发限流时，切换IP继续识图（需提前准备可用IP）""" if not self.ip_pool: return None self.current_ip_idx = (self.current_ip_idx + 1) % len(self.ip_pool) return self.ip_pool[self.current_ip_idx] def _check_image_freq(self, image_hash: str) -> bool: """图片频率控制：基于图片哈希，避免同一图片重复识图""" cache_key = f"vvic:image:freq:{image_hash}" current_count = self.redis_client.incr(cache_key, 1) if current_count == 1: self.redis_client.expire(cache_key, self.image_freq_limit["expire"]) return current_count <= self.image_freq_limit["count"] def _can_call(self) -> bool: """分级限流：基于滑动窗口，判断是否允许发起新请求（适配图片搜索低频次约束）""" now = time.time() # 滑动窗口时间戳存储（Redis，避免进程重启丢失） cache_key = f"vvic:image:timestamps:{self.app_key}" timestamps = self.redis_client.lrange(cache_key, 0, -1) timestamps = [float(ts) for ts in timestamps if now - float(ts) < 60] if len(timestamps) < self.max_calls: # 添加当前时间戳，设置过期时间（1分钟） self.redis_client.rpush(cache_key, now) self.redis_client.expire(cache_key, 60) return True return False def _get_cached_result(self, image_hash: str) -> Optional[List[Dict]]: """图片缓存：基于图片哈希，缓存去重后的结果（10分钟有效期）""" cache_key = f"vvic:image:cache:{image_hash}" cached_data = self.redis_client.get(cache_key) return json.loads(cached_data) if cached_data else None def _cache_result(self, image_hash: str, data: List[Dict]): """缓存去重后的结果，避免重复识图""" cache_key = f"vvic:image:cache:{image_hash}" self.redis_client.setex(cache_key, 600, json.dumps(data)) def _calculate_image_global_hash(self, image_input: Optional[str] = None, image_file: Optional[str] = None) -> str: """计算图片全局哈希（用于缓存和频率控制）""" # 预处理图片，获取标准化后的图片字节流 try: if image_file: with open(image_file, "rb") as f: image_bytes = f.read() else: import requests response = requests.get(image_input, timeout=10) image_bytes = response.content img = Image.open(BytesIO(image_bytes)) img = img.convert("RGB").resize((64, 64), Image.Resampling.LANCZOS) global_hash = str(imagehash.dhash(img)) return global_hash except Exception as e: raise Exception(f"图片全局哈希计算失败：{str(e)}") def add_batch_task(self, image_tasks: List[Tuple[Optional[str], Optional[str]]], custom_filters: Optional[Dict] = None, callback: Optional[Callable] = None): """ 添加批量识图任务：支持多个图片（URL/本地文件），统一筛选条件 :param image_tasks: 图片任务列表，每个元素为（image_url, image_file）二选一 :param custom_filters: 自定义筛选条件 :param callback: 任务完成后的回调函数 """ custom_filters = custom_filters or {} for image_url, image_file in image_tasks: if self.task_queue.full(): print(f"任务队列已满，图片任务（URL：{image_url}，文件：{image_file}）无法添加") continue # 计算图片全局哈希，检查频率限制 try: image_hash = self._calculate_image_global_hash(image_url, image_file) if not self._check_image_freq(image_hash): print(f"图片哈希【{image_hash}】超过搜索频率限制，暂不添加任务") continue # 添加任务至队列（携带图片哈希，用于缓存） self.task_queue.put((image_url, image_file, image_hash, custom_filters, callback)) except Exception as e: print(f"图片任务预处理失败：{str(e)}") continue def _execute_single_task(self, image_url: Optional[str], image_file: Optional[str], image_hash: str, custom_filters: Dict) -> List[Dict]: """执行单个识图任务：预处理+特征对齐+同款去重，含3次重试+IP切换""" retry_count = 0 max_retry = 3 result = [] current_ip = self.ip_pool[0] if self.ip_pool else None while retry_count < max_retry: try: # 优先获取缓存结果 cached_result = self._get_cached_result(image_hash) if cached_result: return cached_result # 等待至可调用状态（限流控制） while not self._can_call(): time.sleep(0.5) # 执行图片搜索（添加IP代理，切换IP规避风控） proxies = {"http": current_ip, "https": current_ip} if current_ip else None # 临时修改requests的proxies配置（适配图片搜索POST请求） import requests.adapters session = requests.Session() if proxies: session.proxies = proxies # 调用特征对齐优化模块，执行识图 search_result = self.feature_optimizer.image_search( image_input=image_url, image_file=image_file, max_results=20, custom_filters=custom_filters ) if search_result["code"] == 200: # 提取特征对齐后的商品列表，执行同款去重 aligned_items = search_result["data"].get("items", []) deduplicated_items = self.deduplicator.cluster_deduplicate(aligned_items) # 缓存去重后的结果 self._cache_result(image_hash, deduplicated_items) result = deduplicated_items break elif search_result["code"] == 429: # 触发限流，切换IP并重试 current_ip = self._switch_ip() if not current_ip: time.sleep(3 * (retry_count + 1)) retry_count += 1 print(f"图片哈希【{image_hash}】触发限流，重试{retry_count}/{max_retry}，切换IP：{current_ip}") else: raise Exception(f"识图错误：{search_result['msg']}") except Exception as e: retry_count += 1 print(f"图片哈希【{image_hash}】识图失败，重试{retry_count}/{max_retry}，原因：{str(e)}") time.sleep(2 * retry_count) return result if result else [] def _process_tasks(self): """任务处理循环：异步调度+单任务执行+回调处理""" while self.running: if not self.task_queue.empty(): image_url, image_file, image_hash, custom_filters, callback = self.task_queue.get() # 提交单个任务至线程池执行（异步，避免阻塞） task_future = self.executor.submit( self._execute_single_task, image_url, image_file, image_hash, custom_filters ) # 执行回调函数（如需实时处理结果） if callback: task_future.add_done_callback(lambda future, img_hash=image_hash: callback(img_hash, future.result())) # 将结果存入结果队列 self.result_queue.put((image_hash, task_future.result())) self.task_queue.task_done() else: time.sleep(1.0) # 图片搜索响应慢，延长空闲等待时间 def start(self): """启动批量异步调度控制器""" if self.running: return self.running = True self.worker_thread.start() print(f"VVIC批量图片搜索调度器启动，限流阈值：{self.max_calls}次/分钟，IP池数量：{len(self.ip_pool)}") def stop(self): """停止控制器，释放资源""" self.running = False self.worker_thread.join() self.executor.shutdown(wait=True) self.task_queue.join() self.result_queue.join() print("VVIC批量图片搜索调度器停止，资源已释放") def get_batch_result(self) -> Dict[str, List[Dict]]: """获取批量识图结果：图片哈希为键，去重后的商品列表为值""" batch_result = {} while not self.result_queue.empty(): image_hash, result = self.result_queue.get() batch_result[image_hash] = result self.result_queue.task_done() return batch_result # 示例：批量图片异步搜索调度 if __name__ == "__main__": # 自定义回调函数（实时处理单个图片识图结果） def task_callback(image_hash: str, result: List[Dict]): print(f"\n=== 图片哈希【{image_hash}】识图完成 ===") print(f"去重后商品数：{len(result)}") if result: print(f"Top1商品：{result[0]['title']}（价格：{result[0]['price']}元，档口等级：{result[0]['credit_level']}）") # 初始化批量调度器（基础权限20次/分钟，配置IP池） scheduler = VvicBatchImageSearchScheduler( app_key="YOUR_APP_KEY", app_secret="YOUR_APP_SECRET", max_calls_per_minute=20, ip_pool=["http://127.0.0.1:8888", "http://127.0.0.1:8889"], # 示例IP池，需替换为可用IP redis_host="localhost" ) # 批量图片任务（支持URL和本地文件，二选一） batch_image_tasks = [ ("https://img.vvic.com/item/test1.jpg", None), # 图片URL (None, "./test_dress.jpg"), # 本地图片 ("https://img.vvic.com/item/test3.jpg", None), # 图片URL (None, "./test_shirt.jpg") # 本地图片 ] # 统一自定义筛选条件 custom_filters = { "price_min": 40, "price_max": 120, "batch_num": 3, "stock": 1, "credit_level": "A" } # 启动调度器，添加批量任务 scheduler.start() scheduler.add_batch_task( image_tasks=batch_image_tasks, custom_filters=custom_filters, callback=task_callback ) # 等待所有任务完成，获取批量结果 scheduler.task_queue.join() batch_result = scheduler.get_batch_result() print(f"\n=== 批量识图完成 ===") print(f"总图片任务数：{len(batch_image_tasks)}") print(f"有效识图结果数：{sum([len(v) for v in batch_result.values()])}") # 停止调度器 scheduler.stop()
————————————————
版权声明：本文为CSDN博主「一人の梅雨」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/2503_90284255/article/details/157550009
浙公网安备 33010602011771号