英雄联盟地图的抓取与分析 / 四六文摘

第 50 篇

读完需要

分钟

速读仅需 5 分钟

/ 0.背景 /

S11 比赛正在如火如荼的举行。作为一个 S3 赛季的老玩家和地理人，我想从另外个角度带你了解 LOL 的世界。

/ 1.数据获取 /

数据初探

英雄联盟推出了其世界地图网页版，访问地址为:( https://map.leagueoflegends.com/ ).

鼠标移动到图标上时，会有该地区的行政图:

放大时，该地区会变得清晰，并且有地形的起伏:

因此这个地图应该有一个高分辨率的地图，类似于栅格金字塔。同时有一个 DEM 数据对地形进行拉伸渲染。

地图抓取

亘古不变的 F12 键，查看从页面打开时的网页请求，找到 png 图片:

英雄联盟地图结构解析

通过后期数据的抓取与思考，我粗略的画了一下 LOL 展示地图的结构:

英雄联盟的地图浏览起来非常丝滑，但是这个地图的原理很复杂。不仅对 DEM 进行了在线渲染，而且会根据各种掩膜进行判定，比如说被海洋掩膜覆盖的区域，会生成一个“水波荡漾”的效果。

/ 2.本地地图制作 /

主要分为三个方面:各个城邦矢量图的制作、高分辨率影像图的合成以及 DEM 数据的重构。

/ 2.1 城邦矢量化/

从官方网页结构中，我们可以获得矢量图，每一个城邦拥有一个范围栅格图(.png 格式，2048*2048 像素),比如说诺克萨斯城邦:

我们将其放到 arcgis，根据其边界逐一描绘:

/ 2.2 DEM 数据的重构 /

从官网界面，我们可以看到三维的地形数据，实际上是利用了一个 DEM 图进行了 Blender 在线渲染，我们从网页中获得的 DEM 数据是一个 Unit8 像素深度的栅格图，DEM 值的范围是 0-255。

DEM 的 Value 值范围为 0-146，我们不知道真实的海拔高度。有没有什么办法大致知道 DEM 的每一个值代表的真实高度？

考虑到德玛西亚城的河谷平原像素值在 20 左右，以及 LOL 最高峰应该超过 4000 米。我们假设每一个像素值代表高度为 28 米。因此，LOL 世界最高山峰的海拔为 4116 米。

使用栅格计算器，重新计算 LOL 世界的 DEM：

在本地使用 Blender 对 DEM 数据渲染效果如下:

/ 2.3 LOL 高分辨地图的重制 /

LOL 官网的地图存在两种分辨率，一种是地图总览的低分辨率，一种是放到到局部的高分辨率。高分辨率的地图需要逐个抓取。

我观察到，高分辨率的地图链接是有规律的，因此写了一个脚本将这些图片都爬取下来：

待数据下载完之后，使用我之前写好的镶嵌脚本，逐个对图片进行镶嵌:

#将影像进行镶嵌import PIL.Image as Imageimport os

IMAGES_PATH = r'小切片的路径' # 图片集地址# IMAGES_FORMAT = ['.jpg', '.JPG'] # 图片格式IMAGES_FORMAT = ['.png'] # 图片格式IMAGE_SIZE = 256 # 每张小图片的大小IMAGE_ROW = 7 # 图片间隔，也就是合并成一张图后，一共有几行IMAGE_COLUMN = 6 # 图片间隔，也就是合并成一张图后，一共有几列IMAGE_SAVE_PATH = 'predict.jpg' # 图片转换后的地址

#按数字大小进行排序files = os.listdir(IMAGES_PATH)files.sort(key=lambda x: int(x.split('.')[0]))

# 获取图片集地址下的所有图片名称image_names = [name for name in files for item in IMAGES_FORMAT if os.path.splitext(name)[1] == item]

# 简单的对于参数的设定和实际图片集的大小进行数量判断if len(image_names) != IMAGE_ROW * IMAGE_COLUMN: raise ValueError('合成图片的参数和要求的数量不能匹配！')print(image_names)

# 定义图像拼接函数def image_compose(): to_image = Image.new('RGB', (IMAGE_COLUMN * IMAGE_SIZE, IMAGE_ROW * IMAGE_SIZE)) # 创建一个新图 # 循环遍历，把每张图片按顺序粘贴到对应位置上 for y in range(1, IMAGE_ROW + 1): for x in range(1, IMAGE_COLUMN + 1): from_image = Image.open(IMAGES_PATH + image_names[IMAGE_COLUMN * (y - 1) + x - 1]).resize( (IMAGE_SIZE, IMAGE_SIZE), Image.ANTIALIAS) to_image.paste(from_image, ((x - 1) * IMAGE_SIZE, (y - 1) * IMAGE_SIZE)) return to_image.save(IMAGE_SAVE_PATH) # 保存新图