2019 GitHub 开源贡献排行榜新鲜出炉！微软谷歌领头，阿里跻身前 12！

数据来源

基础数据来自：https://www.gharchive.org

统计方法

获取 GitHub 2019 年的 PushEvent，通过分析 GitHub 用户提交记录中的邮件地址，分辨其所属组织。

具体方法参考：https://www.freecodecamp.org/news/the-top-contributors-to-github-2017-be98ab854e87

分析工具

•Google Big Query•Data Studio

SQL 语句

由于 Google Big Query 每月只能免费获取 1TB 的数据处理量，因此，为了充分利用它，我们将数据查询限制在一定的日期范围(20190301-20191001)内，确保数据处理量接近而不超过 1TB。

此日期范围内的数据可大致反映 2019 全年 GitHub 各组织开源贡献度情况。

SELECT *
FROM `githubarchive.month.2019*` a
WHERE _TABLE_SUFFIX BETWEEN '0301' AND '1001'

完整的 SQL 语句编写如下：

#standardSQL
WITH
period AS (
  SELECT *
  FROM `githubarchive.month.2019*` a
  WHERE _TABLE_SUFFIX BETWEEN '0301' AND '1001'
),
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

从下图中可以看到，本次查询统计将会处理 918.4GB 的数据。

统计结果

点击运行，经过 17.8s，我们可以看到查询结果。

顶级组织比较

从上图我们可以看出：

•微软谷歌在开源贡献度上遥遥领先，位列 3-5 位的分别是 redhat、intel 和 amazon；•微软谷歌均有超过 1000 名员工(githubers)向多个 GitHub 仓库(repos_contributed_to) push 代码；•对于微软，2019 Top3 仓库分别是 Terminal、vscode 和 TypeScript，而谷歌则是 flutter、tensorflow 和 kubernetes。

排在 6-10 位的分别是 Pivotal、Facebook、Apache、SAP 和 Shopify。

国内大厂比较

国内大厂开源贡献度最高的当属阿里员工，排在第十二位，top3 仓库分别是 flutter-go、nacos 和 sqlflow，所有项目共获得 stars 数超过 90000。

百度和腾讯则分列 21、23 位。

总览

开源贡献度前 38 位名单如下：

有什么想法，欢迎留言区与我互动。