谁是2017年度开源贡献之王？—— GitHub 数据分析报告

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*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*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*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

原文发布时间为：2017-10-27

本文作者：佚名

本文来自云栖社区合作伙伴“51CTO”，了解相关信息可以关注。