谁是2017年度开源贡献之王？—— GitHub 数据分析报告
发布于 2017-10-27 00:55:45 | 159 次阅读 | 评论: 0 | 来源: 网友投递
Github代码托管服务
Github是全球最大的社交编程及代码托管网站，作为开源代码库以及版本控制系统，Github目前拥有140多万开发者用户。随着越来越多的应用程序转移到了云上，Github已经成为了管理软件开发以及发现已有代码的首选方法。
这位作者分析了 2017 年截至今天 GitHub 上所有的 PushEvents，对于每个 GitHub 用户都尽量分辨了他们属于哪个组织，并且只关注在 2017 年增长超过 20 个 star 的仓库（比如 Apache 目前在 GitHub 有超过 1500 个仓库，但只有 205 个在今年获得了 20 个以上的 star。因此，这里只分析这 205 个仓库的提交情况）。
各公司的贡献情况
按仓库 star 数排名
顶尖的贡献组织比较：
-
微软大约有 1,300 名员工积极地将代码推送到 GitHub 上的 825 个顶级仓库
-
谷歌大约有 900 名员工活跃于 GitHub，将代码推送到约 1,100 个顶级仓库
-
亚马逊大约有 134 名员工活跃于 GitHub，仅将代码推送到 158 个顶级仓库
-
谷歌员工贡献的代码仓库比微软的多了 25%，存储卡获得的 star 数也更多(530,000 vs 60,000)。亚马逊仓库 2017 的 star 总数为 27,000。
亚马逊远远落后于微软和谷歌，那夹在它们之间有什么公司？ 根据贡献情况排名如下：RedHat，IBM，Pivotal，Intel 和 Facebook 也做出了突出贡献。
Facebook 和 IBM(US) 的 GitHub 用户数量与亚马逊的相似，但他们贡献的项目收获到了更多的 star（尤其是 Facebook）：
紧接着的是 Alibaba, Uber, 和 Wix：
GitHub，Apache 和 Tencent：
Baidu, Apple 和 Mozilla：
更详细的内容可直接参看这个可交互的版本：The top contributors to GitHub (2017)。
怎么做到的？
1. 数据来源：GitHub Archive。
2. 怎么判断 Github 用户属于哪个公司？
这里主要通过用户提交记录中的邮件地址来进行判断。当然不是每个人都会用自己组织的邮箱地址，有很多人在 Github 上都选择如 gmail.com, users.noreply.github.com 或其他的邮箱，这种情况就没有办法了。
3. 所用工具：Google Big Query。
4. 具体的 SQL 代码：
#standardSQL WITH period AS ( SELECT * FROM `githubarchive.month.2017*` a ), repo_stars AS ( SELECT repo.id, COUNT(DISTINCT actor.login) stars, APPROX_TOP_COUNT(repo.name, 1)[OFFSET(0)].value repo_name FROM period WHERE type='WatchEvent' GROUP BY 1 HAVING stars>20 ), pushers_guess_emails_and_top_projects AS ( SELECT *, REGEXP_EXTRACT(email, r'@(.*)') domain FROM ( SELECT actor.id , APPROX_TOP_COUNT(actor.login,1)[OFFSET(0)].value login , APPROX_TOP_COUNT(JSON_EXTRACT_SCALAR(payload, '$.commits[0].author.email'),1)[OFFSET(0)].value email , COUNT(*) c , ARRAY_AGG(DISTINCT TO_JSON_STRING(STRUCT(b.repo_name,stars))) repos FROM period a JOIN repo_stars b ON a.repo.id=b.id WHERE type='PushEvent' GROUP BY 1 HAVING c>3 ) ) SELECT * FROM ( SELECT domain , githubers , (SELECT COUNT(DISTINCT repo) FROM UNNEST(repos) repo) repos_contributed_to , ARRAY( SELECT AS STRUCT JSON_EXTRACT_SCALAR(repo, '$.repo_name') repo_name , CAST(JSON_EXTRACT_SCALAR(repo, '$.stars') AS INT64) stars , COUNT(*) githubers_from_domain FROM UNNEST(repos) repo GROUP BY 1, 2 HAVING githubers_from_domain>1 ORDER BY stars DESC LIMIT 3 ) top , (SELECT SUM(CAST(JSON_EXTRACT_SCALAR(repo, '$.stars') AS INT64)) FROM (SELECT DISTINCT repo FROM UNNEST(repos) repo)) sum_stars_projects_contributed_to FROM ( SELECT domain, COUNT(*) githubers, ARRAY_CONCAT_AGG(ARRAY(SELECT * FROM UNNEST(repos) repo)) repos FROM pushers_guess_emails_and_top_projects #WHERE domain IN UNNEST(SPLIT('google.com|microsoft.com|amazon.com', '|')) WHERE domain NOT IN UNNEST(SPLIT('gmail.com|users.noreply.github.com|qq.com|hotmail.com|163.com|me.com|googlemail.com|outlook.com|yahoo.com|web.de|iki.fi|foxmail.com|yandex.ru', '|')) # email hosters GROUP BY 1 HAVING githubers > 30 ) WHERE (SELECT MAX(githubers_from_domain) FROM (SELECT repo, COUNT(*) githubers_from_domain FROM UNNEST(repos) repo GROUP BY repo))>4 # second filter email hosters ) ORDER BY githubers DESC
原文：Who contributed the most to open source in 2017? Let’s analyze GitHub’s data and find out.