LiuJuan20260223Zimage Gradio API封装：Python requests调用LiuJuan生成服务示例-开发者社区

LiuJuan20260223Zimage Gradio API封装：Python requests调用LiuJuan生成服务示例

1. 引言

如果你已经通过Xinference部署了LiuJuan20260223Zimage文生图模型，并且熟悉了在Gradio Web界面里点点鼠标就能生成图片的操作，那么恭喜你，你已经迈出了第一步。但作为一名开发者，你可能会想：能不能不打开浏览器，直接用代码来调用这个服务？能不能把它集成到我自己的应用里，实现批量生成或者自动化流程？

答案是肯定的。Gradio不仅提供了一个友好的Web界面，它还暴露了一个标准的HTTP API接口。这意味着，我们可以用任何支持HTTP请求的工具（比如Python的requests库）来与它交互。今天，我们就来聊聊如何绕过Web界面，直接通过Python代码来调用你的LiuJuan图片生成服务，实现更灵活、更自动化的应用集成。

2. 准备工作：理解Gradio的API接口

在开始写代码之前，我们需要先搞清楚Gradio服务对外提供了哪些接口。当你启动一个Gradio应用时，它默认会开启两个关键的端点：

Web界面地址：通常是http://你的服务器地址:7860/。这是我们手动操作的地方。
API接口地址：通常是http://你的服务器地址:7860/api/predict/。这是我们用代码进行通信的入口。

我们的目标就是向这个/api/predict/接口发送一个结构化的请求，然后接收它返回的图片数据。这个请求需要包含模型生成图片所需的所有参数，比如我们最关心的“提示词”。

3. 核心步骤：使用Python requests调用API

假设你的LiuJuan模型服务已经成功运行在http://localhost:7860。下面，我们分步拆解如何用Python的requests库来完成调用。

3.1 安装必要的库

首先，确保你的Python环境里安装了requests库。如果没有，可以通过pip安装：

pip install requests

3.2 构建请求数据

Gradio的API期望接收一个JSON格式的请求体。这个JSON里是一个列表，列表中的每个元素对应你Gradio界面里一个输入组件的内容。对于我们的文生图模型，通常第一个输入框就是“提示词”。

因此，我们的请求数据看起来应该是这样的：

import json # 这是我们要发送给API的数据 payload = { "data": ["LiuJuan"] # 注意：这里是一个列表，里面放提示词字符串 }

“data”字段的值是一个列表[“LiuJuan”]。这里的“LiuJuan”就是触发模型生成特定风格图片的提示词。你可以根据需要替换成任何描述性文字。

3.3 发送POST请求并获取响应

接下来，我们使用requests库向API地址发送一个POST请求，并将上面的数据以JSON格式传递过去。

import requests # 定义API的地址 api_url = "http://localhost:7860/api/predict/" # 设置请求头，告诉服务器我们发送的是JSON数据 headers = { "Content-Type": "application/json" } # 发送POST请求 response = requests.post(api_url, headers=headers, data=json.dumps(payload)) # 检查请求是否成功 if response.status_code == 200: print("API调用成功！") result = response.json() # 处理结果... else: print(f"请求失败，状态码：{response.status_code}") print(response.text)

3.4 解析和处理返回的图片

如果请求成功（状态码为200），response.json()会返回一个字典。对于Gradio的图像输出，返回的数据通常是一个列表，里面包含图片的Base64编码字符串或者一个包含文件路径等信息的字典。

一个典型的、包含Base64图片数据的响应结构可能如下：

{ "data": [ "data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVR42mNkYPhfDwAChwGA60e6kgAAAABJRU5ErkJggg==" ], "is_generating": false, "duration": 3.1415926, "average_duration": 3.1415926 }

我们需要从“data”列表中提取出Base64字符串（去掉前面的data:image/png;base64,头），然后将其解码并保存为图片文件。

import base64 import re if response.status_code == 200: result = response.json() # 假设返回的数据格式如上所述 image_data = result.get("data", [])[0] # 使用正则表达式提取纯Base64部分 base64_str = re.sub(r'^data:image/.+;base64,', '', image_data) # 将Base64字符串解码为二进制图片数据 image_bytes = base64.b64decode(base64_str) # 将图片数据保存到文件 with open("generated_liujuan.png", "wb") as f: f.write(image_bytes) print("图片已成功保存为 'generated_liujuan.png'")

3.5 完整代码示例

将以上步骤整合，我们得到一个完整的、可运行的脚本：

import requests import json import base64 import re def generate_liujuan_image(prompt, api_url="http://localhost:7860/api/predict/", output_path="output.png"): """ 调用Gradio API生成LiuJuan风格图片 参数: prompt (str): 生成图片的提示词。 api_url (str): Gradio API的地址。 output_path (str): 生成图片的保存路径。 """ # 1. 构建请求数据 payload = { "data": [prompt] } headers = { "Content-Type": "application/json" } try: # 2. 发送请求 print(f"正在生成图片，提示词: '{prompt}'...") response = requests.post(api_url, headers=headers, data=json.dumps(payload), timeout=60) # 设置超时时间 # 3. 检查响应 if response.status_code == 200: result = response.json() # 4. 处理返回的图片数据 # 注意：实际响应结构可能因Gradio版本或自定义而略有不同，这里是一个通用处理逻辑 if "data" in result and len(result["data"]) > 0: image_data = result["data"][0] # 提取Base64编码 if isinstance(image_data, str) and image_data.startswith('data:image'): base64_str = re.sub(r'^data:image/.+;base64,', '', image_data) elif isinstance(image_data, dict) and "path" in image_data: # 如果返回的是文件路径（本地部署时可能），这里需要另一种处理方式 # 例如，直接读取文件或通过其他方式获取 print(f"图片已生成在服务器路径: {image_data['path']}") # 此处简化处理，实际可能需要从服务器获取文件 return {"status": "success", "message": f"图片生成成功，路径: {image_data['path']}"} else: # 如果返回的就是纯Base64字符串（不带前缀） base64_str = image_data # 解码并保存 image_bytes = base64.b64decode(base64_str) with open(output_path, "wb") as f: f.write(image_bytes) print(f"✅ 图片已成功保存至: {output_path}") return {"status": "success", "path": output_path} else: print("❌ API返回的数据格式不符合预期。") print(f"完整响应: {result}") return {"status": "error", "message": "Unexpected API response format."} else: print(f"❌ API请求失败，状态码: {response.status_code}") print(f"错误信息: {response.text}") return {"status": "error", "message": f"API request failed with status {response.status_code}"} except requests.exceptions.Timeout: print("❌ 请求超时，模型生成可能耗时较长或服务未响应。") return {"status": "error", "message": "Request timeout."} except requests.exceptions.ConnectionError: print(f"❌ 无法连接到API服务，请检查地址 {api_url} 是否正确，以及服务是否已启动。") return {"status": "error", "message": "Connection error."} except Exception as e: print(f"❌ 发生未知错误: {e}") return {"status": "error", "message": str(e)} # 使用示例 if __name__ == "__main__": # 替换成你的提示词 my_prompt = "LiuJuan" # 调用函数生成图片 result = generate_liujuan_image(prompt=my_prompt, output_path="my_liujuan_image.png")

4. 进阶技巧与问题排查

掌握了基础调用后，我们可以看看如何用得更好，以及遇到问题怎么办。

4.1 传递更多生成参数

基础的文生图模型通常不止有提示词一个参数。在Gradio的Web界面里，你可能还能调整采样步数、图片尺寸等。通过API调用时，如何传递这些参数呢？

关键在于，你的请求数据列表“data”中的元素顺序，必须严格对应Gradio界面中所有输入组件的顺序。假设你的界面有三个输入框：提示词、负向提示词、采样步数，那么请求数据就应该是：

payload = { "data": ["LiuJuan", "low quality, blurry", 20] # 提示词，负向提示词，步数 }

你需要查看Gradio应用的源码或界面，确定所有输入组件的顺序，才能构建正确的请求。

4.2 处理不同的响应格式

正如前面代码中提到的，Gradio返回的图片数据格式可能有几种情况：

带data:image/...;base64,前缀的完整Base64字符串。
一个包含“path”键的字典，指向服务器上的临时文件。
纯Base64字符串。

我们的示例代码尝试处理了前两种情况。最可靠的方法是，先调用一次API，打印出完整的response.json()结果，观察其结构，然后调整你的解析逻辑。

4.3 常见问题排查

连接失败：检查api_url地址和端口号是否正确，确认Xinference和Gradio服务是否正在运行（可以运行cat /root/workspace/xinference.log查看日志）。
404错误：确认API路径是否为/api/predict/。有些Gradio应用可能自定义了API路由。
返回数据为空或格式错误：检查请求的“data”列表格式是否正确，元素顺序是否与界面输入组件匹配。使用print(response.json())查看原始返回，调整解析代码。
生成速度慢：首次生成或复杂提示词可能需要较长时间。在requests.post()中设置合理的timeout参数（如60秒以上）。