构建 SkyMoment：使用 Python、Skyfield 和天文数据的 4K 个性化星图生成器

Source: Dev.to

The idea

大多数在线的 “星图海报” 并不是基于真实的天空数据，它们使用近似值、虚构星座或预渲染的视觉效果。我想要更准确、更科学的方案：

• 真正的星体位置
• 正确的坐标转换
• 合适的视场角
• 看起来自然的银河系
• 简洁的极简布局

……并把它做成一个小型自动化产品：输入一个时刻 → 获得 PDF/PNG → 完成。

Tech stack overview

• Python – 主渲染管线
• Skyfield – 行星星历 & 星体计算
• Hipparcos catalog – 星体位置 & 亮度
• Astropy – 坐标转换
• Matplotlib – 最终 4K 渲染
• Django – 后端 & API
• Lemon Squeezy – 支付 + webhook
• SMTP – 邮件发送最终海报

前端故意保持极简；真正的 “魔法” 在渲染管线中完成。

Astronomical calculations step‑by‑step

当用户输入日期、时间和位置（纬度/经度）时，管线会：

1. Convert local time to UTC – Skyfield 需要精确的 UTC 时间戳。
2. Load planetary ephemeris – 使用 DE421 / DE422（取决于构建版本）。
3. Load Hipparcos star catalog – 提供 RA/Dec、星等、自行运动。
4. Transform everything into the user’s sky coordinates – 使用 Astropy 的 AltAz 转换，基于观测者位置。
5. Filter stars – 只渲染亮度高于某阈值的星星。
6. Split bright/faint stars – 明星使用 8‑点样式标记；暗星使用普通点。
7. Render the Milky Way – 自定义多噪声层（低频形状、中频云结构、平滑 alpha 衰减、抑制 “沙粒” 人工痕迹）。这一步调试时间最长。
8. Render at 4000 × 4000 resolution – 只要小心使用，Matplotlib 能很好地完成。

总渲染时间: 约 35–40 秒（服务器硬件）。

Rendering performance challenges

4K 分辨率 + 成千上万颗星星 + 银河噪声层 = 计算量大。部分优化措施：

• 每个 worker 只加载一次目录
• 重用 figure 对象
• 避免昂贵的 Python 循环
• 限制透明度的使用
• 跳过低于某星等的星星
• 尽可能缓存静态层

即使是微小的改动也能节省 10–20 % 的时间。

Backend architecture (Django)

SkyMoment 使用了一个简易管线：

1. User configures their moment – 选择日期/时间/地点并预览。
2. User is redirected to Lemon Squeezy checkout。
3. After payment, LS sends a webhook to Django – 包含订单 ID、自定义字段（标题、地点、日期时间）以及产品变体。
4. Django creates a generation job – 状态流转：pending → generating → ready。
5. A worker process runs the Python renderer。
6. The final 4K poster is saved to disk。
7. Django sends an email with a download link。

重要细节: webhook 必须立即响应；渲染在后台异步进行，以避免 LS 超时。

Example of what the system produces

Reduced‑size preview of a generated poster (insert image URL if desired).

4K 版本包含：

• 精确的星体位置
• 星座连线
• 极简排版
• 自定义标题 & 副标题
• 干净的暗色主题

What’s next

Roadmap items:

• 多种海报模板
• 更快的渲染（缓存或部分复用）
• 更多精心策划的着陆页
• 详细的生成日志与分析

如果你想为自己的时刻生成星图：

🔗

欢迎随时提问关于天文数据、渲染或后端架构的技术细节！