更正啟示：原文刊載於《摩登天空雜誌》，本文授權轉載自《摩登天空雜誌》，原文標題〈我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》紅了，作為一名對中國HipHop毫無瞭解的吃瓜群眾，我開始好奇以下三個問題：
HipHop到底在唱些什麼？
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、台灣、香港、中國四個地區，總共6000萬字的歌詞，其中包括中國600萬字歌詞，做了一些資料分析的工作，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。
我的資料來源選了蝦米音樂，寫了好一會程式碼，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。於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。
於是我決定開10個執行緒（thread），三小時程式就能跑完。
然後在三小時之後，我收穫一個約100M、49,419首歌的資料庫。
接下來，就是一些資料清洗、處理、分析的工作。
蝦米的歌詞都是用戶編輯上傳的，格式不適用資料分析，所以我得把無用的符號、編曲、作詞之類的資訊除去（格式統一有多麼重要啊！朋友們），然後中英文各自分詞。英文需要去停詞（對資料分析無用的詞，一般沒有實際含義，如is、on、at、which），大小寫變換，以及詞形變換。英語中詞彙有單複數、各種時態，為了易於分析，需要還原為詞幹。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，這些現成的開源庫使用（此處省去1,000萬字）。
總之，我都搞定了，以下就是分析結果。我們先看看中國地區的rapper歌詞裡有都寫了甚麼關鍵字：
「世界」和「時間」佔據首位，「老子」、「兄弟」、「baby」、「money」、「bitch」、「real」等詞倒是讓rapper的形象呼之欲出。rapper的詞裡頻繁提到「音樂」、「歌詞」、「旋律」、「歌曲」，可見他們對自己的音樂非常在乎。嘻哈音樂由於有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（英式英語，俚語，意指羞辱某人，或藉由使用羞辱性的言語或粗暴、輕率的行為讓某人感受不被尊重）也能看出來。
接著，我們來看看與其他幾個地區的關鍵字對比：
看起來rapper的生活差不多，無論中國還是臺灣，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。關於這個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）
接下來，為了瞭解rapper的生活狀況，我開始分析一些常見詞彙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。
感謝維琪提供汽車品牌頁面，並且很貼心的分了英語名稱、中國譯名，於是我又寫了個爬蟲把品牌名稱抓下來，然後統計資料庫中每個品牌出現的頻率。
這是各汽車品牌在中國16,284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（BMW）和賓士的很多，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。
然後我又統計了一下rapper們都喝什麼：
看來饒舌歌手不那麼喜歡喝威士卡，排在威士卡前面的還分別有龍舌蘭、白蘭地、朗姆酒，限於圖表大小我沒將這幾個列入圖表。香檳作為富有的象徵，遙遙領先，不過中國的饒舌歌手似乎處於消費尚未升級的水準，啤酒排在首位。外國人比較喜歡金酒，中國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麼髒話。
這個統計有個小插曲，第一次統計發現一個中文髒話都沒有，還以為淨網運動成功了，結果發現分詞的詞庫裡壓根就沒髒話的詞彙，重新手動加入詞庫後就好了。
中國16,284首歌有2,496首出現髒話，髒話率約為15%，而非中國的資料中，33,134首歌有13,217首出現髒話，髒話率約為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」這兩個不那麼「髒」並且口語常見的詞在國外的統計中去掉，最後髒話率還有33%，比例遠遠高於中國。一個推測是，英文髒話詞彙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，中國的rapper創作起來可不能太奔放。
最後我們來探討一下rap裡的押韻。
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。
那麼我們怎麼才能唱出酷酷的押韻呢？我從歌詞庫中取出所有歌詞，分詞，然後根據韻母、聲調分類，然後得到了一個押韻詞彙檔。
韻腳的分佈挺有趣的，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彙。「勢利」，「世紀」，「日誌」，「秘密」……
看著這些詞彙，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麼樣的嘻哈了。
