我用Python做了六百萬字的歌詞分析，告訴你中國Rapper都在唱些啥
《中國有嘻哈》火了，作為一名對中國 HipHop 毫無了解的吃瓜群眾，我開始好奇以下三個問題：
HipHop 到底在唱些什么?
各個國家和地區的 Rapper 們想要說的唱的都有哪些特色?
如果想當一個 Rapper，我應該怎樣寫詞才能緊跟潮流又不會離題太遠?
為了解答這個疑問，我用 Python 抓取了美英、臺灣、香港、中國大陸四個地區，總共六千萬的歌詞，其中包括大陸 600 萬的歌詞，做了一些數據分析的工作，目的就是給我以及像我一樣的吃瓜群眾們一個有理有據的答案。
我的數據源選了 X 米音樂，寫了好一會代碼，抓取歌詞的爬蟲開始蹭蹭工作了：
爬蟲一般會面對兩個問題：
1.代理問題
頻繁地抓取網站的頁面，IP 很容易被封。于是寫了個抓免費代理的爬蟲，抓了八百多個代理 IP，夠用了。
2.效率問題
10 萬首歌，即使是 1 秒一個請求，那得 27 個小時，我可等不了 27 個小時。
于是我決定開 10 個線程，三小時程序就能跑完。
……
然后在三小時之后，我收獲一個約 100M，49419 首歌的數據庫。
接下來，就是一些數據清洗、處理、分析的工作。
蝦米的歌詞都是用戶編輯上傳的，格式不適用數據分析，所以我得把無用的符號、編曲、作詞之類的信息除去(格式統一有多么重要啊朋友們)，然后中英文各自分詞。
英文需要去停詞(對數據分析無用的詞，一般沒有實際含義，如 is、on、at、which)，大小寫變換，以及詞形變換。英語中詞匯有單復數、各種時態，為了易于分析，需要還原為詞干。
另外不管是中文還是英文都需要詞性標注，一般來說分析也就分析名詞和形容詞，這些使用現成的開源庫(此處省去 1000 萬字)。
總之，我都搞定了，我們先看看以下的分析結果。
1.大陸 Rapper 歌詞里的關鍵詞
“世界”和“時間”占據首位，“老子”、“兄弟”、“baby”、“money”、“bitch”、“real”等詞倒是讓 Rapper 的形象呼之欲出。
Rapper 的詞里頻繁提到“音樂”、“歌詞”、“旋律”、“歌曲”，可見他們對自己的音樂非常在乎。嘻哈音樂由于有 Freestyle 的文化，對親自寫詞有要求，否則就不“ real ”，從節目中他們對偶像 Rapper 的 diss 也能看出來。
接著，我們來看看與其他幾個地區的關鍵詞對比：
看起來 Rapper 的生活差不多，無論大陸還是臺灣，都喜歡喊“baby”，身邊都有一群“兄弟”和“朋友”，有“夢想”，平時都在唱“hip hop”，有“煩惱”了就罵罵街。
亮點是美國的關鍵字 Top1 是“nigga”，這個和帶有種族歧視意味的“nigger”還不是一個詞。關于這個 Tupac 有過一個有意思的定義。
nigger : a black man with a slavery chain around his neck。(黑奴)
nigga : a black man with a gold chain on his neck。(金鏈黑漢子)
美國 rapper fetty wap
接下來，為了了解 Rapper 的生活狀況，我開始分析一些常見詞匯在歌詞中出現的頻率。饒舌歌手們的生活想必少不了豪車，出門騎摩拜可能有被開除 rap 籍的風險。
感謝維基提供汽車品牌頁面，并且很貼心的分了英語名稱、中國大陸譯名，于是我又寫了個爬蟲把品牌名稱抓下來，然后統計數據庫中每個品牌出現的頻率。
這是各汽車品牌在國內 16284 首嘻哈歌曲中出現的情況，在一首歌的歌詞中出現算一次，總共約有 400 多首歌中出現至少一次汽車的品牌名字。
可以看出，饒舌歌手喜歡寶馬和奔馳的很多，特點只有一個，就是貴!其實夏利、桑塔納等車也有不少歌提到，但一般表達的是消極情緒。
2.Rapper 們都喝什么
紅色是國內饒舌歌手的數據，黃色是總數據
看來饒舌歌手不那么喜歡喝威士忌，排在威士忌前面的還分別有龍舌蘭、白蘭地、朗姆酒，限于圖表大小我沒將這幾個列入圖表。
香檳作為富有的象征，遙遙領先，不過國內的饒舌歌手似乎處于消費尚未升級的水平，啤酒排在首位。外國人比較喜歡金酒，國內的饒舌歌手幾乎沒提到，雖然金酒一般用來調雞尾酒，但是雞尾酒提到的次數也是少得可憐。
饒舌歌手喜歡互相 diss(懟)，所以他們 diss 時會罵些啥?讓我們來看看他們都罵了什么臟話。
這個統計有個小插曲，第一次統計發現一個中文臟話都沒有，還以為凈網運動成功了，結果發現分詞的詞庫里壓根就沒臟話的詞匯，重新手動加入詞庫后就好了。
(左邊是所有數據的出現次數，右邊是大陸說唱的出現次數)
大陸 16284 首歌有 2496 首出現臟話，臟話率約為 15%，而非大陸的數據中，33134 首歌有 13217 首出現臟話，臟話率約為 40%。
總的來看，我國歌手比較符合社會主義核心價值觀。我試著把“damn”和“shit”這兩個不那么“臟”并且口語常見的詞在國外的統計中去掉，最后臟話率還有 33%，比例遠遠高于大陸。
一個推測是，英文臟話詞匯在歌詞中更容易押韻，或者唱起來 flow 更好把握。另一個可能是審查原因，早有“in3”這樣的樂隊因為歌詞原因被禁，國內的 Rapper 創作起來可不能太奔放。
3.Rap 里的押韻
在《中國有嘻哈》中我們看到有單押、雙押、三押，各種層出不窮的押韻。旋律、押韻、節奏是說唱歌曲三個很重要的評判標準，一個好的押韻，能讓歌曲的 flow 更加流暢。
那么我們怎么才能唱出酷酷的押韻呢?我從歌詞庫中取出所有歌詞，分詞，然后根據韻母、聲調分類，然后得到了一個押韻詞匯文件。
韻腳的分布挺有趣的，我統計了一下出現前十的兩字詞語韻腳：
可以看出，i i 這個韻腳是最容易押韻的。下圖的這個韻腳的部分詞匯，比如“勢利”，“世紀”，“日志”，“秘密”……
看著這些詞匯，我就情不自禁 rap 起來了，drop the beat!
雙押 x9 達成!以上應該能告訴你中國到底有什么樣的嘻哈了。
