用 Tab 还是 Space？谷歌程序员分析了 10 亿份代码

（点击上方公众号，可快速关注）

英文：Felipe Hoffa

译者：伯乐在线 - 小米云豆粥

链接：http://blog.jobbole.com/105381/

【伯乐在线导读】：用 Tab 还是 Space？事关程序员的信仰之争。

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_top_langs]

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。

亮点在末尾视频

最后 Felipe Hoffa 还贴上一个视频

在热播剧《硅谷》第三季中，不仅有 Tab 和 Space 之争，也有 Vim 和 Emacs……结果导致一对程序员做不成情侣了

https://v.qq.com/txp/iframe/player.html?vid=h0310ie8zhc&width=500&height=375&auto=0

译者简介

---

小米云豆粥 : 数据科学进修中，Python小码农。

关注「程序员的那些事」

看更多精选文章

↓↓↓