Python自动化分析GMH模组日志：打造Among Us玩家数据看板

在GMH模组（The Other Roles）的私服对局中，每场游戏都会生成详细的日志记录。这些数据如果仅靠人工统计，不仅效率低下，还容易出错。本文将带你用Python构建一个自动化分析系统，从原始日志中提取玩家胜率、首刀概率、职业偏好等23项关键指标，并通过可视化报表呈现。

1. 日志解析基础架构设计

GMH模组的日志文件通常位于BepInEx/LogOutput.log，采用实时追加写入模式。我们需要先建立日志解析的基础框架：

python复制import re
from collections import Counter
from datetime import datetime

class LogParser:
    def __init__(self, log_path):
        self.log_path = log_path
        self.raw_logs = []
        self.players = {}  # 玩家数据存储结构
        
    def load_logs(self):
        with open(self.log_path, 'r', encoding='utf-8') as f:
            self.raw_logs = f.readlines()
        
    def parse_game_session(self):
        """识别单场游戏的时间范围"""
        session_start = None
        for i, line in enumerate(self.raw_logs):
            if '[Info :The Other Roles GM]' in line:
                timestamp = re.search(r'GM\] \[(.*?)\]', line).group(1)
                if not session_start:
                    session_start = (i, timestamp)
                else:
                    yield (session_start, (i, timestamp))
                    session_start = (i, timestamp)

关键日志特征识别模式：

• 游戏开始标记：[Info :The Other Roles GM]
• 玩家角色分配：[Role Assign]
• 击杀记录：[MurderPlayer] => 受害者(角色)
• 投票记录：[Vote] Exiled: 玩家名(角色)
• 游戏结果：[Game Result]

2. 核心数据提取算法实现

2.1 玩家身份识别系统

GMH模组包含40+种角色，需要建立完善的分类体系：

python复制ROLE_CATEGORIES = {
    'impostor': ['内鬼','黑手党','化形者','隐蔽者','邪恶的黑客','吸血鬼'],
    'crewmate': ['船员','市长','工程师','警长','侦探','医生'],
    'neutral': ['小丑','律师','纵火犯','秃鹫','狐妖','豺狼']
}

def categorize_role(role_name):
    for category, roles in ROLE_CATEGORIES.items():
        if any(r in role_name for r in roles):
            return category
    return 'unknown'

2.2 胜场统计逻辑优化

原始脚本的胜场判断存在边界情况处理不足的问题，我们改进为：

python复制def determine_winner(game_logs):
    result_line = next(line for line in reversed(game_logs) 
                      if '[Game Result]' in line)
    
    # 阵营胜利判定
    if '内鬼阵营胜利' in result_line:
        winning_team = 'impostor'
    elif '船员阵营胜利' in result_line:
        winning_team = 'crewmate'
    else:  # 中立胜利
        winning_team = 'neutral'
    
    # 遍历玩家结果段
    players_section = extract_players_section(game_logs)
    winners = []
    
    for line in players_section:
        player_name = extract_player_name(line)
        role = extract_player_role(line)
        
        # 特殊角色胜利条件判断
        if (winning_team == 'impostor' and role in ROLE_CATEGORIES['impostor']) or \
           (winning_team == 'crewmate' and role in ROLE_CATEGORIES['crewmate']) or \
           (winning_team == 'neutral' and is_neutral_winner(role, result_line)):
            winners.append(player_name)
    
    return winners

2.3 首刀/首投检测算法

采用滑动窗口检测技术提高识别准确率：

python复制def detect_first_events(game_logs):
    first_kill = None
    first_vote = None
    
    for line in game_logs:
        if not first_kill and '[MurderPlayer]' in line:
            victim = extract_victim_name(line)
            first_kill = victim
            
        if not first_vote and '[Vote]' in line:
            exiled = extract_exiled_name(line)
            first_vote = exiled
            
        if first_kill and first_vote:
            break
            
    return first_kill, first_vote

3. 数据分析与可视化呈现

3.1 玩家综合能力评估模型

建立包含多维度的评估体系：

python复制def calculate_player_score(player_data):
    total_games = player_data['games_played']
    score = (
        0.3 * (player_data['wins'] / total_games) +
        0.2 * (player_data['survivals'] / total_games) -
        0.15 * (player_data['first_killed'] / total_games) -
        0.15 * (player_data['first_voted'] / total_games) +
        0.1 * len(player_data['roles_played']) / 10 +
        0.1 * (player_data['kills'] / max(1, player_data['impostor_games']))
    )
    return round(score * 100, 1)

3.2 自动生成可视化报告

使用Matplotlib生成专业级数据看板：

python复制import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec

def generate_dashboard(player_stats):
    fig = plt.figure(figsize=(15, 10))
    gs = GridSpec(3, 2, figure=fig)
    
    # 胜率分布雷达图
    ax1 = fig.add_subplot(gs[0, 0], polar=True)
    plot_radar_chart(ax1, player_stats)
    
    # 角色偏好条形图
    ax2 = fig.add_subplot(gs[0, 1])
    plot_role_distribution(ax2, player_stats)
    
    # 时间序列趋势图
    ax3 = fig.add_subplot(gs[1, :])
    plot_trend_over_time(ax3, player_stats)
    
    # 玩家关系网络图
    ax4 = fig.add_subplot(gs[2, 0])
    plot_social_network(ax4, player_stats)
    
    # 关键指标表格
    ax5 = fig.add_subplot(gs[2, 1])
    plot_key_metrics_table(ax5, player_stats)
    
    plt.tight_layout()
    return fig

4. 系统优化与高级功能

4.1 实时监控模式

通过文件监听实现实时数据分析：

python复制from watchdog.observers import Observer
from watchdog.events import FileSystemEventHandler

class LogHandler(FileSystemEventHandler):
    def __init__(self, analyzer):
        self.analyzer = analyzer
        
    def on_modified(self, event):
        if event.src_path.endswith('LogOutput.log'):
            self.analyzer.process_new_entries()

def start_realtime_monitoring(log_path):
    analyzer = GameAnalyzer(log_path)
    observer = Observer()
    observer.schedule(LogHandler(analyzer), path=log_path.parent)
    observer.start()
    try:
        while True:
            time.sleep(1)
    except KeyboardInterrupt:
        observer.stop()
    observer.join()

4.2 自动化报告生成

集成Jinja2模板引擎生成HTML报告：

python复制from jinja2 import Environment, FileSystemLoader

def generate_html_report(player_stats):
    env = Environment(loader=FileSystemLoader('templates'))
    template = env.get_template('report.html')
    
    context = {
        'players': player_stats,
        'generated_at': datetime.now().strftime('%Y-%m-%d %H:%M'),
        'total_games': sum(p['games_played'] for p in player_stats.values())
    }
    
    with open('output/report.html', 'w') as f:
        f.write(template.render(context))

4.3 异常检测系统

识别可能的作弊行为模式：

python复制def detect_anomalies(player_stats):
    anomalies = []
    
    for name, data in player_stats.items():
        # 异常高胜率检测
        if data['wins'] / data['games_played'] > 0.8:
            anomalies.append(f"{name} 胜率异常高 ({data['win_rate']}%)")
            
        # 角色选择异常检测
        if len(set(data['roles_played']) & set(ROLE_CATEGORIES['impostor'])) / \
           len(data['roles_played']) > 0.7:
            anomalies.append(f"{name} 内鬼角色选择频率异常")
    
    return anomalies

5. 实战案例：从日志到洞察

假设我们分析了一个包含152场对局的日志文件，关键发现：

1. 玩家技术水平分层：

   • 前20%玩家平均胜率达68%
   • 后20%玩家平均胜率仅19%

2. 角色平衡性分析：

   • 化形者胜率最高（73%）
   • 船员基础角色胜率最低（41%）

3. 行为模式洞察：

   • 首刀集中在3个活跃玩家（占总首刀次数的62%）
   • 警长角色平均每场误杀0.3个船员

4. 社交关系网络：

   mermaid复制graph TD
   A[玩家A] -->|经常同队| B[玩家B]
   B -->|经常敌对| C[玩家C]
   D[玩家D] -->|新人玩家| A
   

实现这些分析的核心代码结构：

python复制def analyze_gaming_patterns(logs):
    # 初始化分析引擎
    analyzer = PatternAnalyzer()
    
    # 时间维度分析
    time_stats = analyzer.time_distribution(logs)
    
    # 社交网络构建
    social_graph = build_social_graph(logs)
    
    # 角色平衡性计算
    role_balance = calculate_role_balance(logs)
    
    return {
        'time_analysis': time_stats,
        'social_graph': social_graph,
        'role_balance': role_balance,
        'player_clusters': cluster_players(logs)
    }

这个自动化分析系统不仅能节省大量手工统计时间，还能发现人工难以察觉的游戏模式规律。通过持续运行分析，可以跟踪玩家水平变化、评估模组更新后的平衡性调整效果，甚至为比赛选拔提供数据支持。