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, weights=weights, k=1)[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，k=1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": f"NFT #{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_dir="output"): 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", encoding="utf-8") as f: json.dump(meta, f, ensure_ascii=False, indent=2) token_id += 1

compose_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.txt

Pillow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.json

ls | 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encoding="utf-8"，json.dump加ensure_ascii=False，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, optimize=True)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_dir="output"): trait_counter = Counter() token_traits = {} for path in glob.glob(f"{out_dir}/*.json"): with open(path, encoding="utf-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(), key=lambda x: x[1], reverse=True) 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