简介这是一款面向雀魂玩家的牌谱分析工具源码包内置国服、日服、国际服适配并提供Windows、Linux、macOS三平台版本。工具参考天凤牌谱解析程序的项目思路目前支持四人麻将牌谱分析已实现除被鸣牌与门清听牌大类外的大部分统计项目可获取指定牌谱列表与内容解析后生成可视化结果展示页并与天凤凤凰桌的分析数据横向对比帮助玩家快速定位攻防短板。压缩包共74个文件大小仅1.18MB核心算法由C源文件与头文件实现配合JS脚本、HTML/CSS完成前端展示JSON负责配置与多语言文案GIF图片辅助界面展示目录结构清晰、便于二次开发与学习。目前已有6655人学习下载适合对雀魂数据分析和牌谱统计感兴趣的进阶玩家、开发者参考使用。需要留意的是修罗模式出现后牌谱可能无法分析工具仅通过少量前端API读取牌谱、不修改游戏逻辑使用相关API获取数据时需自行评估风险。1. 为何要做雀魂牌谱分析复盘远比打得多更重要如果只是把雀魂当休闲游戏随便打打确实不需要什么分析工具。但如果你认真上过分、冲过段一定会有这种感觉打的时候觉得每一手都“挺合理”打完一查数据却发现自己立直率低得离谱、放铳率高得吓人甚至某些特定巡目老是出事。问题是靠脑子回忆根本复盘不出规律单看牌谱回放也只是“看个热闹”记录不下来每一巡的真实决策。MajsoulPaipuAnalyzer 要解决的就是这件事把雀魂客户端里的牌谱paipu全部拉下来解析成结构化数据统计出每一位玩家、每一局的真实行为数据——打出的每一张牌、每一次副露、每一个立直与和牌点然后转换成可量化、可对比、可检索的复盘信息。它本质上是一套“个人打法数据中台”麻雀虽小五脏俱全。这个项目适合三类人一是想升段但总觉得“卡瓶颈”的雀魂玩家二是对游戏数据结构和前端展示感兴趣、想练手做点好玩东西的开发者三是想做好友内战赛后分析、搞点“科学甩锅”依据的社交型玩家。如果你还没想清楚牌谱到底能分析出什么东西这篇文章会把我踩过的坑、整理出来的解析思路、实际能落地的统计维度都拆一遍让你看完既能理解原理也能直接对着思路做一套自己的分析工具。2. 牌谱解析的思路与整体设计从链接到数据再到结论2.1 牌谱到底是什么它和回放有什么区别雀魂的牌谱本质上就是一局游戏的完整“元数据记录”它和录像回放是两回事。回放是图像级别的录制占用空间大、不可检索牌谱则是事件流的序列化结果里面记录了从配牌开始、每一巡谁摸到什么牌、打出了什么牌、是否副露、是否立直、是否和牌、和牌时手牌长什么样、役种是什么、点数怎么变动等所有关键事件。它的最小单位是每一巡的“动作流”。换句话说只要解析得够细你甚至可以还原出一局游戏中任何一位玩家在任意巡目时的切牌顺序从而倒推他的手牌范围、防守意识、进攻倾向。MajsoulPaipuAnalyzer 的第一步就是取数。雀魂牌谱记录并不需要逐局手动保存只要通过抓包或官方接口拿到牌谱链接列表就能批量拉取牌谱数据。牌谱链接本身是公开的、可分享的区别只在于你怎么批量拿到属于自己的历史对局。2.2 数据链路设计拉取、解析、入库、展示四层架构在动手写代码之前我先把整条链路理成了四层每一层职责单一出了问题也好排查。第一层是“拉取层”。负责从雀魂服务器批量获取牌谱JSON元数据。这一层最需要注意的是请求频率过快会被服务端限流甚至封IP所以我在实现里加了简单的限速控制每两次请求间隔至少1秒实测稳定很多。第二层是“解析层”。这是整个项目的核心把原始JSON里乱七八糟的字段映射成有意义的游戏事件比如摸切、副露、立直、自摸、荣和、流局等。解析这部分最费功夫因为官方数据字段是压缩编码过的并不会直接告诉你“某人立直了”而是通过事件类型码、操作位、牌编号组合表达需要自己翻数据结构对照。第三层是“存储层”。把解析结果落库我选的是SQLite。项目初期数据量不大单机够用而且查起来方便不想为一个复盘工具专门起一套MySQL服务。如果你对多局聚合分析有更强需求可以考虑直接上PostgreSQL但SQLite足够支撑上万局牌谱的统计。第四层是“展示层”。把统计数据可视化成图表让结论一目了然。我一开始只做纯文本输出后来发现根本看不下去于是接了一个极简的Web面板用折线图看点数推移用柱状图看角色使用率用热力图看不同巡目的切牌危险度分布反馈好很多。2.3 为什么选这个方案而不是直接用第三方平台市面上并非没有现成的雀魂数据平台有一些网页版分析站能查玩家数据。但用它们有几个绕不开的问题一是数据源只覆盖提交过牌谱的玩家你找不到自己完整的对局历史二是统计维度固定只能看别人定义好的指标想结合自己特殊情况比如“我三麻和四麻到底哪边先制率更高”就无能为力了三是数据在别人手里你不知道更新逻辑是什么可能存在延迟或偏差。自建MajsoulPaipuAnalyzer 的直接收益就是数据和算法完全可控。想分析什么维度自己加代码就行想对某一手牌复盘直接查数据库定位到牌谱编号再回到客户端看回放即可。尤其是“按条件检索对局”这个功能第三方平台几乎不会给你做比如“查看我过去30天所有先制立直后被追立炸庄的局”自己做就是一条SQL的事。3. 核心细节解析数据格式、关键统计项与可视化思路3.1 牌谱JSON的关键字段解读拿到一份雀魂牌谱最核心的字段大概有这几类局信息起家、场风、规则、玩家信息名称、段位、角色、动作事件流、终局结果。其中“动作事件流”是最难啃的骨头它是一串按顺序排列的操作码每个操作码都携带操作者座位号、操作类型、关联牌编号等参数。为了让你有个直观理解我简化一下典型事件的伪代码结构# 一个摸切事件的抽象表达 event { seat: 0, # 0-3 代表四个座位 type: draw, # 摸牌事件 tile: 34, # 牌的编号按0~33映射为34种牌面 timestamp: 10 # 第几巡/第几个动作 }解析层的作用就是把连续的事件流按照麻将规则切分成完整的回合。比如“摸牌-切牌”是一巡“碰”会打断正常摸切顺序把对手刚切出的牌收入手牌并额外切一张牌。这些动作中断和恢复的逻辑如果没处理好后面统计出来的“切牌顺序”就会错位导致牌效率分析完全失真。3.2 分析维度和统计项怎么设计才有意义统计项不是越多越好而是以“能指导决策优化”为准。我自己实际在用的有四大类进攻维度立直率、先制率、和牌率、平均打点、自摸率、默听率。这些反映的是你整体进攻风格是偏激进还是偏保守。防守维度放铳率、放铳时平均巡目、兜打率、弃和判断准确度。这是升段最容易拉开差距的地方。效率维度平均向听数变化、有效牌进张利用率、搭子转化率。这类数据需要依赖牌效率计算器做基准对比看你在特定牌型下是否走了最优解。全局节奏平均对局时长、特定顺位点数分布、起手配牌质量、连庄/被飞频率。不过我要提醒一点很多指标单独看是有迷惑性的。比如立直率高了不一定是好事如果你在明显劣势局面还无脑立直只会把放铳率拉高。所以我做面板的时候特意做了交叉筛选可以同时看“立直率 vs 放铳率 vs 平均打点”的组合关系而不是停留在单个数字上。3.3 可视化怎么设计才不“高级但没用”做可视化最容易犯的错误是贪多堆了一堆图表但不知道看哪个。我的经验是页面首屏只放3个核心指标——近50场平均顺位、放铳率、立直率。这三项能快速判断一个玩家的攻守平衡性。第二层才是趋势图表。我用的是逐场滑动平均线避免单场波动太大影响判断。这里有个实操技巧滑动窗口大小推荐10~20场太小了曲线抖成心电图太大了看什么都是平的10~20最能反映近期状态变化。第三层留给局内细节分析比如放铳牌危险度分布、特定役种统计、角色胜率对比。这一层是留给真正想深挖打法问题的玩家用的平时不用经常看。4. 实操过程从零搭建一个可用的雀魂牌谱分析工具4.1 环境准备与依赖清单我的开发环境是 Python 3.10 SQLite3 Flask。Python做数据处理和分析确实方便脚本语言特性让迭代速度快很多。如果你打算复刻建议按下面的清单准备Python 3.9推荐3.10或更高requests库拉取牌谱数据sqlite3Python内置数据存储pandas聚合统计Flask轻量Web展示ECharts前端图表渲染CDN引入即可不占本地资源注意解析牌谱的JSON结构时不同游戏版本字段可能会有微调建议先拿三五份新鲜牌谱做样例确认结构再大批量导入避免解析逻辑一次性被新版本干废。4.2 拉取与解析牌谱的关键实现拉牌谱数据最核心的是构造正确的请求。你需要登录态或者有效的牌谱分享链接拿到对应的数据端点然后把返回的内容落成JSON文件。这里只讲数据侧逻辑不考虑任何链路以外的操作全程都只使用雀魂对局结束后生成的公开牌谱链接和本地的HTTP抓包工具来获取自己账号的数据。一个典型的请求与落盘片段如下import requests import json def fetch_paipu(paipu_url, output_path): headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64), Referer: https://game.maj-soul.com/ } # 注意这里仅示例如何发送请求具体端点需依据抓包结果动态调整 resp requests.get(paipu_url, headersheaders, timeout10) if resp.status_code 200: with open(output_path, w, encodingutf-8) as f: json.dump(resp.json(), f, ensure_asciiFalse, indent2) return True return False解析流程我用了一个“状态机”的思路。因为每一巡的动作是连续的建立好当前状态谁摸牌、谁切牌、是否副露、是否立直、是否一巡多动作再逐个事件更新状态就能准确还原对局。核心笼统代码如下def parse_paipu(raw_json): actions raw_json[data][actions] round_info [] current_round [] for action in actions: seat action[seat] op action[type] current_round.append({ seat: seat, operation: op, tile: action.get(tile), delta_score: action.get(deltaScore, [0, 0, 0, 0]) }) # 如果遇到终局事件就把当前回合归档 if op in (END_ROUND, LAST_DRAW): round_info.append(current_round) current_round [] return round_info真实字段不会这么简单但思路就是这个思路。解析完原始数据之后就是二次加工把它转成用户可读的统计指标。4.3 统计聚合与Web面板展示统计层面我会把所有对局“标准化”成一条记录存库包含对局ID、时间、玩家座位、角色、最终顺位、得分、是否和牌、是否放铳、立直次数、平均向听数等。之后一切指标都可以用标准SQL聚合出来-- 近30天立直率与放铳率统计示例 SELECT COUNT(DISTINCT game_id) AS game_count, SUM(CASE WHEN riichi_count 0 THEN 1 ELSE 0 END) AS riichi_games, SUM(CASE WHEN lose_on_deal_in THEN 1 ELSE 0 END) AS deal_in_games, ROUND(SUM(CASE WHEN riichi_count 0 THEN 1 ELSE 0 END) * 100.0 / COUNT(DISTINCT game_id), 2) AS riichi_rate, ROUND(SUM(CASE WHEN lose_on_deal_in THEN 1 ELSE 0 END) * 100.0 / COUNT(DISTINCT game_id), 2) AS deal_in_rate FROM paipu_stats WHERE game_date DATE(now, -30 days);Web面板这部分我用Flask搭了一个非常轻的服务后端只提供JSON接口前端用原生HTMLJavaScriptECharts渲染。首页显示核心指标卡片二级页面是趋势图和明细表麻雀虽小胜在实用。5. 常见问题与排查技巧实录5.1 拉取不到历史牌谱怎么办这是新手最容易卡壳的地方。雀魂客户端默认并不会展示很完整的历史牌谱列表通常只保留最近几十场。想拿到更完整的数据只能靠平时对局结束后把分享链接保存下来或者定期用工具批量抓取“牌谱屋”这类页面里的公开牌谱。我的做法是写了一个定时任务每个星期天晚上自动跑一遍增量拉取把一周内的牌谱全部归档避免过期丢失。另外如果你发现某场对局死活拉不到数据大概率是那一局还没被服务器同步到可公开访问的存储节点。等个几分钟再拉基本都能解决。5.2 解析时报错“字段不存在”或“索引越界”这类问题大概率不是代码bug而是牌谱版本更新导致的字段变更。雀魂偶尔会调整数据格式比如新增某种活动局事件、增加新角色皮肤字段等。排查方法很简单先打印出原始JSON的key列表对比旧样本找出多出来的字段然后针对新增字段补充解析逻辑老字段不动向前兼容。5.3 统计出来的立直率明显比体感低先别急着怪工具先检查数据源是不是有缺失。如果某几局牌谱因为网络问题只拉到了一半动作流就会中断统计结果自然偏低。我踩过这个坑之后在入库前加了“局完整性校验”对局必须有完整的起手信息和至少一个终局事件否则直接丢弃并记录下来后续可以重新拉取。5.4 前端图表不显示或格式错乱大多数情况是ECharts的CDN加载不出来。建议把ECharts的JS文件下载到本地不要依赖外部CDN因为这个工具的部署环境很可能没有外网访问条件本地引入最稳妥。另外传给图表的数据要确保是数字类型SQLite查出来的结果偶尔会是字符串需要在前端做一次parseFloat图形才会正常。6. 进阶扩展方向这工具还能长出什么花样搭建完成之后MajsoulPaipuAnalyzer 的想象空间其实很大。我目前已经在实验的方向有三个一是牌谱检索与人肉牌谱库。把所有对局按“特定条件”打标签比如“三麻南风位被飞”、“立直后一发自摸”、“四暗刻和牌”后续想看特定类型的对局直接筛选条件然后客户端打开牌谱链接复盘效率极高。二是基于牌效率的AI建议。通过解析手牌状态调用开源牌效率引擎比如基于天凤牌的效率计算器来对比玩家每一巡的实际切牌和最优切牌之间的差值从而量化每局失误次数。不过这个逻辑相对复杂需要处理鸣牌后的手牌排列我目前还在完善中。三是好友数据PK面板。如果你有一群固定牌友可以把你和他们的牌谱统一入库做一个横向对比榜。谁的四暗刻次数多、谁的放铳率低、谁最爱门清立直一目了然。这在小圈子里比官方段位更能制造话题也是我推荐每个玩家尝试的玩法。7. 写在最后的实操心得牌谱分析工具这件事听起来技术门槛高但实际上最花时间的不是解析而是想清楚“我要看什么数据”。我一开始就是什么指标都统计结果打开面板根本不知道看哪里。后来狠下心先只保留立直率、放铳率、平均顺位三个核心数据盯了两周明确自己主要问题出在防守判断上这才倒逼着去补做了危险牌分布分析。如果你也想搭一套类似的工具我的建议很简单先拿一周的对局数据跑通全流程再决定要不要扩充指标。别一开始就奔着“大而全”去不然很容易半途而废。工具是死的打法思考是活的把数据转化为打法修正才是这个项目真正的价值所在。最后再分享一个小技巧分析结果不要只看单场至少积累30场以上再做判断短样本的波动会骗人。我现在每周五晚上固定花半小时看一次周报比过去埋头打一晚上雀魂再凭感觉瞎调打法有效得多。本文还有配套的精品资源点击获取 雀魂牌谱分析工具构建指南：解析、统计与可视化复盘
简介这是一款面向雀魂玩家的牌谱分析工具源码包内置国服、日服、国际服适配并提供Windows、Linux、macOS三平台版本。工具参考天凤牌谱解析程序的项目思路目前支持四人麻将牌谱分析已实现除被鸣牌与门清听牌大类外的大部分统计项目可获取指定牌谱列表与内容解析后生成可视化结果展示页并与天凤凤凰桌的分析数据横向对比帮助玩家快速定位攻防短板。压缩包共74个文件大小仅1.18MB核心算法由C源文件与头文件实现配合JS脚本、HTML/CSS完成前端展示JSON负责配置与多语言文案GIF图片辅助界面展示目录结构清晰、便于二次开发与学习。目前已有6655人学习下载适合对雀魂数据分析和牌谱统计感兴趣的进阶玩家、开发者参考使用。需要留意的是修罗模式出现后牌谱可能无法分析工具仅通过少量前端API读取牌谱、不修改游戏逻辑使用相关API获取数据时需自行评估风险。1. 为何要做雀魂牌谱分析复盘远比打得多更重要如果只是把雀魂当休闲游戏随便打打确实不需要什么分析工具。但如果你认真上过分、冲过段一定会有这种感觉打的时候觉得每一手都“挺合理”打完一查数据却发现自己立直率低得离谱、放铳率高得吓人甚至某些特定巡目老是出事。问题是靠脑子回忆根本复盘不出规律单看牌谱回放也只是“看个热闹”记录不下来每一巡的真实决策。MajsoulPaipuAnalyzer 要解决的就是这件事把雀魂客户端里的牌谱paipu全部拉下来解析成结构化数据统计出每一位玩家、每一局的真实行为数据——打出的每一张牌、每一次副露、每一个立直与和牌点然后转换成可量化、可对比、可检索的复盘信息。它本质上是一套“个人打法数据中台”麻雀虽小五脏俱全。这个项目适合三类人一是想升段但总觉得“卡瓶颈”的雀魂玩家二是对游戏数据结构和前端展示感兴趣、想练手做点好玩东西的开发者三是想做好友内战赛后分析、搞点“科学甩锅”依据的社交型玩家。如果你还没想清楚牌谱到底能分析出什么东西这篇文章会把我踩过的坑、整理出来的解析思路、实际能落地的统计维度都拆一遍让你看完既能理解原理也能直接对着思路做一套自己的分析工具。2. 牌谱解析的思路与整体设计从链接到数据再到结论2.1 牌谱到底是什么它和回放有什么区别雀魂的牌谱本质上就是一局游戏的完整“元数据记录”它和录像回放是两回事。回放是图像级别的录制占用空间大、不可检索牌谱则是事件流的序列化结果里面记录了从配牌开始、每一巡谁摸到什么牌、打出了什么牌、是否副露、是否立直、是否和牌、和牌时手牌长什么样、役种是什么、点数怎么变动等所有关键事件。它的最小单位是每一巡的“动作流”。换句话说只要解析得够细你甚至可以还原出一局游戏中任何一位玩家在任意巡目时的切牌顺序从而倒推他的手牌范围、防守意识、进攻倾向。MajsoulPaipuAnalyzer 的第一步就是取数。雀魂牌谱记录并不需要逐局手动保存只要通过抓包或官方接口拿到牌谱链接列表就能批量拉取牌谱数据。牌谱链接本身是公开的、可分享的区别只在于你怎么批量拿到属于自己的历史对局。2.2 数据链路设计拉取、解析、入库、展示四层架构在动手写代码之前我先把整条链路理成了四层每一层职责单一出了问题也好排查。第一层是“拉取层”。负责从雀魂服务器批量获取牌谱JSON元数据。这一层最需要注意的是请求频率过快会被服务端限流甚至封IP所以我在实现里加了简单的限速控制每两次请求间隔至少1秒实测稳定很多。第二层是“解析层”。这是整个项目的核心把原始JSON里乱七八糟的字段映射成有意义的游戏事件比如摸切、副露、立直、自摸、荣和、流局等。解析这部分最费功夫因为官方数据字段是压缩编码过的并不会直接告诉你“某人立直了”而是通过事件类型码、操作位、牌编号组合表达需要自己翻数据结构对照。第三层是“存储层”。把解析结果落库我选的是SQLite。项目初期数据量不大单机够用而且查起来方便不想为一个复盘工具专门起一套MySQL服务。如果你对多局聚合分析有更强需求可以考虑直接上PostgreSQL但SQLite足够支撑上万局牌谱的统计。第四层是“展示层”。把统计数据可视化成图表让结论一目了然。我一开始只做纯文本输出后来发现根本看不下去于是接了一个极简的Web面板用折线图看点数推移用柱状图看角色使用率用热力图看不同巡目的切牌危险度分布反馈好很多。2.3 为什么选这个方案而不是直接用第三方平台市面上并非没有现成的雀魂数据平台有一些网页版分析站能查玩家数据。但用它们有几个绕不开的问题一是数据源只覆盖提交过牌谱的玩家你找不到自己完整的对局历史二是统计维度固定只能看别人定义好的指标想结合自己特殊情况比如“我三麻和四麻到底哪边先制率更高”就无能为力了三是数据在别人手里你不知道更新逻辑是什么可能存在延迟或偏差。自建MajsoulPaipuAnalyzer 的直接收益就是数据和算法完全可控。想分析什么维度自己加代码就行想对某一手牌复盘直接查数据库定位到牌谱编号再回到客户端看回放即可。尤其是“按条件检索对局”这个功能第三方平台几乎不会给你做比如“查看我过去30天所有先制立直后被追立炸庄的局”自己做就是一条SQL的事。3. 核心细节解析数据格式、关键统计项与可视化思路3.1 牌谱JSON的关键字段解读拿到一份雀魂牌谱最核心的字段大概有这几类局信息起家、场风、规则、玩家信息名称、段位、角色、动作事件流、终局结果。其中“动作事件流”是最难啃的骨头它是一串按顺序排列的操作码每个操作码都携带操作者座位号、操作类型、关联牌编号等参数。为了让你有个直观理解我简化一下典型事件的伪代码结构# 一个摸切事件的抽象表达 event { seat: 0, # 0-3 代表四个座位 type: draw, # 摸牌事件 tile: 34, # 牌的编号按0~33映射为34种牌面 timestamp: 10 # 第几巡/第几个动作 }解析层的作用就是把连续的事件流按照麻将规则切分成完整的回合。比如“摸牌-切牌”是一巡“碰”会打断正常摸切顺序把对手刚切出的牌收入手牌并额外切一张牌。这些动作中断和恢复的逻辑如果没处理好后面统计出来的“切牌顺序”就会错位导致牌效率分析完全失真。3.2 分析维度和统计项怎么设计才有意义统计项不是越多越好而是以“能指导决策优化”为准。我自己实际在用的有四大类进攻维度立直率、先制率、和牌率、平均打点、自摸率、默听率。这些反映的是你整体进攻风格是偏激进还是偏保守。防守维度放铳率、放铳时平均巡目、兜打率、弃和判断准确度。这是升段最容易拉开差距的地方。效率维度平均向听数变化、有效牌进张利用率、搭子转化率。这类数据需要依赖牌效率计算器做基准对比看你在特定牌型下是否走了最优解。全局节奏平均对局时长、特定顺位点数分布、起手配牌质量、连庄/被飞频率。不过我要提醒一点很多指标单独看是有迷惑性的。比如立直率高了不一定是好事如果你在明显劣势局面还无脑立直只会把放铳率拉高。所以我做面板的时候特意做了交叉筛选可以同时看“立直率 vs 放铳率 vs 平均打点”的组合关系而不是停留在单个数字上。3.3 可视化怎么设计才不“高级但没用”做可视化最容易犯的错误是贪多堆了一堆图表但不知道看哪个。我的经验是页面首屏只放3个核心指标——近50场平均顺位、放铳率、立直率。这三项能快速判断一个玩家的攻守平衡性。第二层才是趋势图表。我用的是逐场滑动平均线避免单场波动太大影响判断。这里有个实操技巧滑动窗口大小推荐10~20场太小了曲线抖成心电图太大了看什么都是平的10~20最能反映近期状态变化。第三层留给局内细节分析比如放铳牌危险度分布、特定役种统计、角色胜率对比。这一层是留给真正想深挖打法问题的玩家用的平时不用经常看。4. 实操过程从零搭建一个可用的雀魂牌谱分析工具4.1 环境准备与依赖清单我的开发环境是 Python 3.10 SQLite3 Flask。Python做数据处理和分析确实方便脚本语言特性让迭代速度快很多。如果你打算复刻建议按下面的清单准备Python 3.9推荐3.10或更高requests库拉取牌谱数据sqlite3Python内置数据存储pandas聚合统计Flask轻量Web展示ECharts前端图表渲染CDN引入即可不占本地资源注意解析牌谱的JSON结构时不同游戏版本字段可能会有微调建议先拿三五份新鲜牌谱做样例确认结构再大批量导入避免解析逻辑一次性被新版本干废。4.2 拉取与解析牌谱的关键实现拉牌谱数据最核心的是构造正确的请求。你需要登录态或者有效的牌谱分享链接拿到对应的数据端点然后把返回的内容落成JSON文件。这里只讲数据侧逻辑不考虑任何链路以外的操作全程都只使用雀魂对局结束后生成的公开牌谱链接和本地的HTTP抓包工具来获取自己账号的数据。一个典型的请求与落盘片段如下import requests import json def fetch_paipu(paipu_url, output_path): headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64), Referer: https://game.maj-soul.com/ } # 注意这里仅示例如何发送请求具体端点需依据抓包结果动态调整 resp requests.get(paipu_url, headersheaders, timeout10) if resp.status_code 200: with open(output_path, w, encodingutf-8) as f: json.dump(resp.json(), f, ensure_asciiFalse, indent2) return True return False解析流程我用了一个“状态机”的思路。因为每一巡的动作是连续的建立好当前状态谁摸牌、谁切牌、是否副露、是否立直、是否一巡多动作再逐个事件更新状态就能准确还原对局。核心笼统代码如下def parse_paipu(raw_json): actions raw_json[data][actions] round_info [] current_round [] for action in actions: seat action[seat] op action[type] current_round.append({ seat: seat, operation: op, tile: action.get(tile), delta_score: action.get(deltaScore, [0, 0, 0, 0]) }) # 如果遇到终局事件就把当前回合归档 if op in (END_ROUND, LAST_DRAW): round_info.append(current_round) current_round [] return round_info真实字段不会这么简单但思路就是这个思路。解析完原始数据之后就是二次加工把它转成用户可读的统计指标。4.3 统计聚合与Web面板展示统计层面我会把所有对局“标准化”成一条记录存库包含对局ID、时间、玩家座位、角色、最终顺位、得分、是否和牌、是否放铳、立直次数、平均向听数等。之后一切指标都可以用标准SQL聚合出来-- 近30天立直率与放铳率统计示例 SELECT COUNT(DISTINCT game_id) AS game_count, SUM(CASE WHEN riichi_count 0 THEN 1 ELSE 0 END) AS riichi_games, SUM(CASE WHEN lose_on_deal_in THEN 1 ELSE 0 END) AS deal_in_games, ROUND(SUM(CASE WHEN riichi_count 0 THEN 1 ELSE 0 END) * 100.0 / COUNT(DISTINCT game_id), 2) AS riichi_rate, ROUND(SUM(CASE WHEN lose_on_deal_in THEN 1 ELSE 0 END) * 100.0 / COUNT(DISTINCT game_id), 2) AS deal_in_rate FROM paipu_stats WHERE game_date DATE(now, -30 days);Web面板这部分我用Flask搭了一个非常轻的服务后端只提供JSON接口前端用原生HTMLJavaScriptECharts渲染。首页显示核心指标卡片二级页面是趋势图和明细表麻雀虽小胜在实用。5. 常见问题与排查技巧实录5.1 拉取不到历史牌谱怎么办这是新手最容易卡壳的地方。雀魂客户端默认并不会展示很完整的历史牌谱列表通常只保留最近几十场。想拿到更完整的数据只能靠平时对局结束后把分享链接保存下来或者定期用工具批量抓取“牌谱屋”这类页面里的公开牌谱。我的做法是写了一个定时任务每个星期天晚上自动跑一遍增量拉取把一周内的牌谱全部归档避免过期丢失。另外如果你发现某场对局死活拉不到数据大概率是那一局还没被服务器同步到可公开访问的存储节点。等个几分钟再拉基本都能解决。5.2 解析时报错“字段不存在”或“索引越界”这类问题大概率不是代码bug而是牌谱版本更新导致的字段变更。雀魂偶尔会调整数据格式比如新增某种活动局事件、增加新角色皮肤字段等。排查方法很简单先打印出原始JSON的key列表对比旧样本找出多出来的字段然后针对新增字段补充解析逻辑老字段不动向前兼容。5.3 统计出来的立直率明显比体感低先别急着怪工具先检查数据源是不是有缺失。如果某几局牌谱因为网络问题只拉到了一半动作流就会中断统计结果自然偏低。我踩过这个坑之后在入库前加了“局完整性校验”对局必须有完整的起手信息和至少一个终局事件否则直接丢弃并记录下来后续可以重新拉取。5.4 前端图表不显示或格式错乱大多数情况是ECharts的CDN加载不出来。建议把ECharts的JS文件下载到本地不要依赖外部CDN因为这个工具的部署环境很可能没有外网访问条件本地引入最稳妥。另外传给图表的数据要确保是数字类型SQLite查出来的结果偶尔会是字符串需要在前端做一次parseFloat图形才会正常。6. 进阶扩展方向这工具还能长出什么花样搭建完成之后MajsoulPaipuAnalyzer 的想象空间其实很大。我目前已经在实验的方向有三个一是牌谱检索与人肉牌谱库。把所有对局按“特定条件”打标签比如“三麻南风位被飞”、“立直后一发自摸”、“四暗刻和牌”后续想看特定类型的对局直接筛选条件然后客户端打开牌谱链接复盘效率极高。二是基于牌效率的AI建议。通过解析手牌状态调用开源牌效率引擎比如基于天凤牌的效率计算器来对比玩家每一巡的实际切牌和最优切牌之间的差值从而量化每局失误次数。不过这个逻辑相对复杂需要处理鸣牌后的手牌排列我目前还在完善中。三是好友数据PK面板。如果你有一群固定牌友可以把你和他们的牌谱统一入库做一个横向对比榜。谁的四暗刻次数多、谁的放铳率低、谁最爱门清立直一目了然。这在小圈子里比官方段位更能制造话题也是我推荐每个玩家尝试的玩法。7. 写在最后的实操心得牌谱分析工具这件事听起来技术门槛高但实际上最花时间的不是解析而是想清楚“我要看什么数据”。我一开始就是什么指标都统计结果打开面板根本不知道看哪里。后来狠下心先只保留立直率、放铳率、平均顺位三个核心数据盯了两周明确自己主要问题出在防守判断上这才倒逼着去补做了危险牌分布分析。如果你也想搭一套类似的工具我的建议很简单先拿一周的对局数据跑通全流程再决定要不要扩充指标。别一开始就奔着“大而全”去不然很容易半途而废。工具是死的打法思考是活的把数据转化为打法修正才是这个项目真正的价值所在。最后再分享一个小技巧分析结果不要只看单场至少积累30场以上再做判断短样本的波动会骗人。我现在每周五晚上固定花半小时看一次周报比过去埋头打一晚上雀魂再凭感觉瞎调打法有效得多。本文还有配套的精品资源点击获取