用 Tab 还是 Space？谷歌程序员分析了10亿份代码

▲点击上方“ CocoaChina ”关注即可免费学习iOS开发

本文由伯乐在线 - 小米云豆粥 翻译

黄利民 校稿

链接：http://blog.jobbole.com/105381/

英文出处： Felipe Hoffa

用 Tab 还是 Space？事关程序员的信仰之争。2015 年程序员 Uku Pattak 分析了 GitHub 上多种语言的热门项目（star 数量高）中使用 Tab 和空格的对比情况。2016 年，谷歌程序员 Felipe Hoffa 分析了 10 亿份代码。

分析结果 可先看下图：

40万个repo, 10亿份代码文件, 14TB 代码

规则：

• 数据来源： 已存储在 BigQuery 上的 GIthub 文档

• Star 很重要：只选择了2016年1月到5月之间加星量（star）在前 40 万个的项目

• 排除小文件：代码文件至少得有 10 行代码，开始的字符是：空格或者制表符

• 去除冗余：不管它们存在于多少个项目中，相同的程序文件只算一次

• 一个文件一票：有些代码文件中混用了制表符和空格。如果该文件制表符用的多，那它就算制表符一票。反之亦然。

• 只考虑使用广泛的编程语言：我只选取了有下面这些后缀的文件：(.java, .h, .js, .c, .php, .html, .cs, .json, .py, .cpp, .xml, .rb, .cc, .go)

数据

实现方法

我使用了已有的 [bigquery-public-data:github_repos.sample_files] 表。这个表列出了排名最前的 40 万个项目。从中提取了含有被广泛使用的语言后缀的文件。

SELECT a.id id, size, content, binary, copies, sample_repo_name , sample_path

FROM (

SELECT id, FIRST(path) sample_path, FIRST(repo_name) sample_repo_name

FROM [bigquery-public-data:github_repos.sample_files]

WHERE REGEXP_EXTRACT(path, r'.([^.]*)$') IN ('java','h','js','c','php','html','cs','json','py','cpp','xml','rb','cc','go')

GROUP BY id

) a

JOIN [bigquery-public-data:github_repos.contents] b

ON a.id=b.id

864.6s elapsed, 1.60 TB processed

由于我要联结分别有 1.97 亿行和 0.7 亿行的两个表（一共有 1.6T 数据量），这个过程花费了不少时间。我把结果放在这里了[ fh-bigquery:github_extracts.contents_top_repos_top_langs ]，你们就不用重新跑这个过程了。

在 [contents] 表格中，包含了去冗余之后的所有文件。下面的命令行用来检查文件数量和大小。

SELECT SUM(copies) total_files, SUM(copies*size) total_size

FROM [fh-bigquery:github_extracts.contents_top_repos_to

10 亿文件，14TB代码

然后开始按照前面提到的规则排序：

SELECT ext, tabs, spaces, countext, LOG((spaces+1)/(tabs+1)) lratio

FROM (

SELECT REGEXP_EXTRACT(sample_path, r'.([^.]*)$') ext,

SUM(best='tab') tabs, SUM(best='space') spaces,

COUNT(*) countext

FROM (

SELECT sample_path, sample_repo_name, IF(SUM(line=' ')>SUM(line='t'), 'space', 'tab') WITHIN RECORD best,

COUNT(line) WITHIN RECORD c

FROM (

SELECT LEFT(SPLIT(content, 'n'), 1) line, sample_path, sample_repo_name

FROM [fh-bigquery:github_extracts.contents_top_repos_top_langs]

HAVING REGEXP_MATCH(line, r'[ t]')

)

HAVING c>10 # at least 10 lines that start with space or tab

)

GROUP BY ext

)

ORDER BY countext DESC

LIMIT 100

16.0s elapsed, 133 GB processed

分析 133G 代码只有 16 秒？我爱 BigQuery。

小编推荐： [掘金] 是一个高质量的技术社区，从 Swift 到 React Native，性能优化到动效源码，让你不错过 iOS 开发的每一个技术干货。长按图片二维码识别或者各大应用市场搜索「掘金」，技术干货尽在掌握中。

微信号： CocoaChinabbs