GitHub Archive分析 - 2015最受瞩目的项目们 - 快车库

你应该见过不少对GitHub上等等开源项目进行的分析文章。据说国外甚至有人靠分析Github上的项目解决了毕业论文……（要是我的毕业论文也能这么解决就好了XD）借助于Google Big Query和来自于GitHub Archive的数据归档，对GitHub上的项目进行简单的数据分析并不困难。下文我将试图分析2015年GitHub上被收藏（starred）最多的5000个项目，进而求出2015年最受瞩目的编程语言排行。

GitHub Archive这个网站通过GitHub的API，定期抓取GitHub的事件数据，并上传到Google Big Query，供热心群众分析。它在官网上介绍了如何用Google Big Query来分析数据。

Google Big Query允许用户创建项目，上传数据归档，并通过SQL来查询这些数据。下图就是GitHub Archive在Big Query上，存储着2016-02-01这一天数据的项目。

我们可以看到它的schema定义，基本上类似于GitHub事件API返回的数据格式。其中一些重要的字段如下：

type 事件类型。比如jeresig创建了项目processing-js，那么这个事件的类型就是CreateEvent。你可以上GitHub事件相关的文档里查到各种事件对应的类型。
repo.name 项目名，在上面例子中，是jeresig/processing-js
actor.login 该事件的主人公，在上面例子中，是jeresig

于是我们小试牛刀，运行下面的Query，查询jeresig去年一年push的次数：（这里用TABLE_DATE_RANGE函数用于匹配从githubarchive:day.events_20150101到githubarchive:day.evnets_20151231所有的表）

SELECT COUNT(*) FROM 
    TABLE_DATE_RANGE([githubarchive:day.events_], 
        TIMESTAMP('2015-01-01'), 
        TIMESTAMP('2015-12-31'))
    WHERE type = 'PushEvent' and actor.login = 'jeresig'

得出的结果为

稍微复杂点，运行下面的Query，查询jeresig去年一年内提了Pull Request的项目和各自提的次数：

SELECT COUNT(*) AS num, repo.name FROM 
    TABLE_DATE_RANGE([githubarchive:day.events_], 
        TIMESTAMP('2015-01-01'), 
        TIMESTAMP('2015-12-31'))
    WHERE type = 'PullRequestEvent' and actor.login = 'jeresig'
    GROUP BY repo.name ORDER BY num DESC

把关注点从人转向项目，让我们回归主题，查询去年一年间最受瞩目的那些项目们，并粗略地分析下它们。通过查GitHub的API文档，我们知道用户star一个项目时会触发一个WatchEvent（对的，就是WatchEvent）。所以我们可以遍历下去年所有的WatchEvent事件，按repo_name进行分组，计算每组的数目，并截取前5000名。写出来的Query如下：

SELECT COUNT(*) AS star, repo.name FROM 
      TABLE_DATE_RANGE([githubarchive:day.events_], 
        TIMESTAMP('2015-01-01'), 
        TIMESTAMP('2015-12-31'))
      WHERE type = 'WatchEvent' 
      GROUP BY repo.name ORDER BY star DESC LIMIT 5000

我把Big Query查询到的数据保存成github-star-2015.csv，分享到百度网盘上，有需要的人可以下载：http://pan.baidu.com/s/1dElWKHr

现在，我宣布，2015年最受瞩目的项目前十的名单新鲜出炉啦！（请脑补最应景的BGM）

~/doc head -11 github-star-2015.csv 
star,repo_name
38318,FreeCodeCamp/FreeCodeCamp
25861,facebook/react-native
25479,apple/swift
24344,sindresorhus/awesome
22917,facebook/react
22093,jlevy/the-art-of-command-line
20401,NARKOZ/hacker-scripts
19736,twbs/bootstrap
17885,google/material-design-lite
17568,airbnb/javascript

初看这份名单，你会发现去年是React年。前十的名单里，React就占了两。你也许会想起，swift在这一年里开源了（果粉的力量真强大，同样也是去年搬到GitHub的golang就挤不进前十名～）。仔细分析下各个项目，你会发现，涨star最快的项目有不少是代码无关的项目。比如第一名FreeCodeCamp，第四名awesome，第六名the-art-of-command-life，第十名airbnb/javascript（airbnb内部的javascript编程规范）等等，都是如此。另外，一个显著的发现是，前十名中，前端的项目占了三个，这还不计算半个前端项目的react-native和前端编码规范的airbnb/javascript。前端项目三分天下有其一，准确来讲，已经接近撑起半边天了。如果说前几年的GitHub是Ruby开发者的GitHub，那么如今的GitHub无疑是前端的GitHub。

借助GitHub的API，我们来看看前5000名项目的编程语言使用情况。题外话，如果GitHub提供了项目所有者可以给自己的项目打标签，那么我们除了分析下编程语言，还可以分析下更多方面的内容，比如去年哪一方面的项目最受瞩目。要是有机会给GitHub产品部门提意见，我一定会写上这一点。不过目前就只能分析分析下编程语言了。

由于GitHub设置了API调用限制，我们需要先注册应用，获取对应的client_id和client_secret，才能有足够的调用数量。注册地址见 https://github.com/settings/applications/new，里面的数据不需要审核，我当时是乱填一通的=_=

GitHub提供了查询某个项目的编程语言使用情况的API，借此写出了下面的脚本，统计前5000个项目中编程语言的占比：

#!/usr/bin/env ruby
# encoding: UTF-8

require 'json'
require 'net/http'
require 'set'

def get_language_ingredient(repo)
  url = "https://api.github.com/repos/#{repo}/languages"
  # 请改成你自己的 client_id 和 client_secret
  client_id = '05500dd030f3a5690d8e'
  client_secret = 'b8ba63550e07dd3bf7b5b467824ee9ced1c61192'
  url += "?client_id=#{client_id}&client_secret=#{client_secret}"
  res = Net::HTTP.get_response(URI(url))
  if res.code == '200'
    JSON.parse(res.body)
  else
    puts res.msg
    {}
  end
end

def sum_star_number_per_language(result, repo, star)
  ingredient = get_language_ingredient(repo)
  puts "The language ingredient of #{repo}: #{ingredient}"
  return if ingredient.length == 0
  sum = ingredient.reduce(0){|total, pair| total += pair[1]}
  # 去掉占比不到1%的语言
  ingredient.reject!{|_, bytes| bytes < sum * 0.01}
  # 如果剩下的语言正好是 JavaScript/CSS/HTML，
  # 则表示它很可能是代码无关的项目，直接忽略掉
  if Set.new(ingredient.keys) == Set.new(['JavaScript', 'CSS', 'HTML'])
    # CSS框架除外。考虑到有些静态网站也是CSS比JS多，这里要求CSS比JS和HTML多得多。
    # 下面的公式随手写的，没有什么特殊意义，只是强调CSS一定要占大多数。
    unless ingredient['CSS'] > 2 * ingredient['JavaScript'] + ingredient['HTML']
      return
    end
  end
  # 剩下的按比例分了star数
  sum = ingredient.reduce(0){|total, pair| total += pair[1]}
  ingredient.each_pair do |language, bytes|
    result[language] = result.fetch(language, 0) + (bytes.fdiv(sum) * star).round
  end
end

def output_star_number_per_language(result)
  sum = result.reduce(0){|total, pair| total += pair[1]}
  output = ''
  result.sort {|a, b| b[1] <=> a[1]}.each_with_index do |e, idx|
    output += format("%-4d %-40s %.2f%\n", idx+1, e[0], e[1].fdiv(sum).round(4) * 100)
  end
  output + "\n"
end

result = {}
output = {}
checkpoints = [50, 100, 200, 500, 1000, 2000, 5000]
f = File.new('github-star-2015.csv').each
f.next
f.each_with_index do |line, idx|
  step = idx + 1
  star, repo = line[0...-1].split(',')
  star = star.to_i
  puts format("%-4d %-40s %d", step, repo, star)
  sum_star_number_per_language(result, repo, star)
  puts "The result after #{repo}: #{result}\n\n"
  if checkpoints.include?(step)
    output[step] = output_star_number_per_language(result)
    puts "first #{step}"
    puts output[step]
  end
end
puts ''

output.each_pair do |step, rank|
    puts "first #{step}"
    puts rank
end

注意两点：

获取了每个项目的语言成分后，去掉占比不到1%的语言，剩下的语言按比例分掉star数。之所以不直接把star分到占比最大的语言，是因为有些项目用到多种语言且比例相当，如facebook/react-native.
去掉1%之后，如果剩下的语言正好是JavaScript，CSS和HTML，那么该项目很可能是代码无关的（比如一个收集各类资料的静态网站）。显然大家关注它的缘故跟任何一门编程语言无关，所以不列入统计之中。但是考虑到CSS框架也正好会有这三门语言，所以当CSS占比较高时可以豁免。

下面是最终的结果：

...
first 5000
1    JavaScript                               26.38%
2    Java                                     13.33%
3    Objective-C                              8.21%
4    Python                                   8.09%
5    Go                                       5.44%
6    Swift                                    4.63%
7    C                                        3.88%
8    HTML                                     3.84%
9    C++                                      3.82%
10   Ruby                                     3.60%
11   CSS                                      3.28%
12   PHP                                      2.99%
13   Shell                                    2.67%
14   CoffeeScript                             1.51%
15   C#                                       1.19%
16   VimL                                     0.90%
17   TypeScript                               0.63%
18   Scala                                    0.59%
19   Lua                                      0.46%
20   Clojure                                  0.44%
21   Rust                                     0.39%
22   Haskell                                  0.28%
23   Makefile                                 0.22%
24   Objective-C++                            0.21%
25   Emacs Lisp                               0.21%
26   Jupyter Notebook                         0.21%
27   Perl                                     0.20%
28   TeX                                      0.17%
29   Elixir                                   0.16%
30   Groff                                    0.16%
31   Groovy                                   0.14%
32   R                                        0.12%
33   OCaml                                    0.11%
34   PowerShell                               0.10%
35   Batchfile                                0.10%
36   ApacheConf                               0.08%
37   Erlang                                   0.08%
38   Cucumber                                 0.08%
39   Assembly                                 0.07%
40   Crystal                                  0.06%
41   PureBasic                                0.05%
42   QML                                      0.05%
43   Visual Basic                             0.04%
44   PLpgSQL                                  0.04%
45   Tcl                                      0.04%
46   Dart                                     0.04%
47   Vue                                      0.04%
48   CMake                                    0.03%
49   PLSQL                                    0.03%
50   XSLT                                     0.03%
...

一个显而易见的结论：GitHub上不小一部分的热门项目，是由JavaScript写的。JavaScript一门语言的占比，比第二名和第三名加起来还多出个第六名。这还不包括第十四名的CoffeeScript和第十七名的TypeScript（它们可以编译成JavaScript，严格来说也是JavaScript大家族的一员）。
另外从每个checkpoint时输出的数据可见，排名靠前的项目中，JavaScript占的比例要比全部项目中的高。如果我们选择的样本变小，JavaScript的占比还会升高（都稳拿第一名，排名就不可能升高了）。

另一个结论是，Go（第五名）和Swift（第六名）这两门语言正处于快速发展的时期。虽然实际应用的情况不如前十名中其它语言广泛，但是从star数中可见，开发者们非常看好这两门语言，关注了许多这方面的项目，同时用这两门语言编写的高质量项目也越来越多。

前十名中其它语言的排名倒是一点也不出乎意料。Java和Objective-C分居榜眼和探花。剩下几位自然包括了C/C++/Python等等。令人意外的是，C#（第十五名）居然没能排进前十名。按理说，C#的使用量肯定能排在前十。也许C#生态圈里面主要使用的都是微软的商业产品？

最后，我想感谢GitHub Archieve提供的数据归档，没有这些数据就没有本篇分析。