LR2IR Datasets

LR2IR数据集是LR2IR网站截至2026年5月29日的备份数据，包含一个4GiB的SQLite数据库，记录了25,271,654条成绩条目和326,434个图表信息，以及原始的sabun HTML文件。The LR2IR Dataset is a backup of the LR2IR website as of May 29, 2026. It contains a 4 GiB SQLite database that records 25,271,654 score entries and 326,434 pieces of chart information, along with the original sabun HTML files.

原始信息汇总

数据集概述：LR2IR 数据集

该数据集是 LR2IR 网站（计划于 2026 年 5 月 31 日关闭）的备份，包含截至 2026 年 5 月 29 日的原始数据转储。

核心数据集：Score+Chart 数据库

• 文件：lr2ir-all-scores.db.gz（4 GiB，SQLite 格式）
• 校验：SHA256 值 81126b2db794d01eeb7db40b196133d38a70fcf28aa834baaf5911d3ca8d50ec
• 内容：
  • 分数条目：25,271,654 条，涵盖 LR2IR 排行榜上的所有成绩信息。
  • 谱面条目：326,434 张谱面，包含所有在排行榜上可见的元数据。
• 数据库结构：
  • chart 表：存储谱面信息，包括主键 md5、标题、流派、艺术家、BPM、等级、键数、判定等级、各通关状态计数（通关、FC、Hard、Normal、Easy、Failed）、标签、挂起状态等。
  • pb 表：存储玩家个人最佳成绩，联合主键 (md5, player_id)，包含排名、玩家 ID/名称、段位、通关类型、字母评级、分数、连击、各判定数（PGreat、Great、Good、Bad、Poor）、选项、客户端等。
• 使用方式：需解压 .gz 文件，然后通过 SQLite 浏览器（如 sqlitebrowser）打开 .db 文件查看。

附加数据集：原始 Sabun HTML 文件

• 文件：lr2ir-all-sabun-html.zip，需额外配合 styles.css 使用（SHA256 4d0eb5b48f252277e8ee4d7709926939f252fc417f6a850ae812afd8f047a213）
• 内容：LR2IR 上所有 Sabun 页面的 HTML 输出。注意：核心数据库中已包含这些页面全部信息，此处仅为原始 HTML 转储。
• 使用方式：下载并解压，.html 文件为 gzip 编码，需解压后查看（Firefox 可直接支持 gzip 编码 HTML）。

注意事项

• 当前数据以原始格式提供，对非编程人员不友好；未来计划开发只读前端。
• 用户页面数据不完整：因遭遇第三方 DDOS 攻击，用户页面未完全抓取。
• 回放数据仅包含 Insane1 和 Overjoy 难度中每个谱面前 30 名的回放。
• 课程数据因网站遭攻击而未能获取。

搜集汇总

数据集介绍

构建方式

LR2IR Datasets 数据集的构建源于对即将关停的 LR2IR 网站数据的系统性备份与整理。该数据集以两种核心形态呈现：其一为容量达 4GiB 的 SQLite 数据库文件，囊括了网站自运营以来共计 25,271,654 条玩家成绩记录与 326,434 份谱面信息，所有数据均直接源自 LR2IR 排行榜的原始字段；其二为原始 HTML 页面压缩包，保留了每个赛区（sabun）的网页输出，供需要原始格式的用户使用。整个数据集在网站遭受持续拒绝服务攻击的背景下紧急抓取完成，确保了核心排行数据的完整保存。

使用方法

使用 LR2IR Datasets 推荐通过 SQLite 数据库进行高效查询。首先使用 gunzip 解压数据库文件，随后借助 sqlitebrowser 等图形化工具或编程接口（如 Python 的 sqlite3 模块）直接访问 .db 文件。用户可利用 SQL 语句根据谱面 MD5、玩家 ID 或成绩范围等条件筛选数据，观察排行榜动态变化。原始 HTML 文件需先解压 gzip 编码，搭配提供的 styles.css 样式表以确保页面正常渲染。需要注意的是，当前版本尚未包含玩家主页与回放数据，这些功能将在后续只读前端中补充完善。

背景与挑战

背景概述

LR2IR（Lunatic Rave 2 Internet Ranking）是一个专注于音乐游戏《Lunatic Rave 2》的在线排行榜与评分数据库，自创立以来便成为该社区的核心数据枢纽。该数据集由社区维护团队于2026年5月29日备份，旨在应对网站因持续遭受分布式拒绝服务攻击而即将关闭的危机。数据集的核心研究问题在于如何保存和利用海量的玩家成绩与谱面信息，以支持音乐游戏领域的玩家行为分析、难度评估以及社区生态研究。其影响力辐射至全球音游研究者与爱好者，为理解玩家技能分布、谱面设计趋势提供了前所未有的数据基础。

当前挑战

该数据集面临的核心挑战首先在于领域问题的复杂性：音乐游戏的评分数据包含玩家操作精度（如PGreat、Great、Good等判定）、连击数、清版类型等多维指标，如何从超过2500万条成绩记录中提取有意义的玩家技能模型与谱面难度特征，是数据挖掘与机器学习研究的重要难题。其次，构建过程遭遇了严峻的技术障碍：网站自2026年5月起持续遭受恶意流量攻击，导致用户资料、回放数据及课程数据的采集被迫中断，最终数据集仅能捕获部分核心信息，缺失了完整的用户画像与高阶谱面回放数据。此外，原始数据以压缩的SQLite数据库和Gzip编码的HTML文件形式分布，对非技术用户极不友好，数据可访问性与可用性亟待提升。

常用场景

经典使用场景

LR2IR数据集作为BMS（Be-Music Source）音乐游戏领域内极具规模的结构化数据资源，其核心应用场景在于构建和评估音乐游戏玩家的表现预测与难度分级模型。研究者可利用该数据集中超过2500万条玩家成绩记录，结合326434张谱面的属性标签（如按键数、等级、BPM范围等），进行基于深度学习的谱面难度自动标注、玩家段位识别及关卡通过率预测等经典任务。这些数据以SQLite数据库形式存储，便于高效查询与特征工程，使其成为音乐游戏算法研究的标准化基准。

解决学术问题

该数据集系统性地解决了音乐游戏研究中长期存在的数据稀疏与标注不一致问题。在学术层面，它提供了海量的玩家行为轨迹（如最佳成绩、连击数、判定分布），使研究者能够量化分析不同技能水平玩家的操作模式差异，进而探索节奏感知、手指协调性等认知能力的量化评估方法。此外，通过统计谱面的清除率、FC（全连）率和各类错误分布，数据集为谱面质量评价体系构建了可重复验证的实证基础，推动了从经验性经验到数据驱动的游戏设计理论转型。

实际应用

在实际产业环境中，LR2IR数据集为音乐游戏产品的自适应难度调节（Dynamic Difficulty Adjustment）系统提供了关键训练素材。游戏开发者可基于数据中的玩家段位与成绩分布，设计能够实时匹配用户技能水平的谱面推荐算法，从而优化新手留存率与核心玩家挑战体验。数据内包含的选项配置（如随机、镜像等）与客户端信息，也可用于分析不同操作设备或输入模式对玩家表现的影响，支撑跨平台游戏体验的调优决策。

数据集最近研究

最新研究方向

在音乐游戏领域，随着社区平台的生命周期演进，数据保存与文化遗产保护成为前沿关注焦点。LR2IR Datasets作为BMS模拟器社区重要排行榜的完整快照，收录了超过2500万条成绩记录与32万张曲谱元数据，为音乐游戏行为分析、难度曲线建模及玩家技能演化研究提供了前所未有的数据规模。该数据集在平台即将关闭前紧急备份，折射出数字文化资产长期保存的紧迫性，当前研究方向集中于如何从海量历史成绩中挖掘玩家策略偏好、谱面设计趋势以及在线社区衰变规律，相关热点事件如站点遭遇DDoS攻击更凸显了去中心化存档机制的重要性，为未来虚拟社区的数据韧性建设提供了关键参考。