BigQuery分析GitHub上的C#

一年多以前，Google 在GitHub中提供了BigQuery用于查询的GitHub上的开源代码（open source code on GitHub available for querying），如果这还不够，您可以免费每月运行1TB的查询！

所以在这篇文章中，我将要收集GitHub上的所有我们可以访问的C#源代码。非常简单，只包含C#，而且数据集已经收集完成（在BigQuery中，是按字节读取收费的），称为fh-bigquery：github_extracts.contents_net_cs 并具有

5,885,933 不重复的“.cs”文件
792,166,632 行代码 (LOC)
37.17 GB (37,174,783,891 bytes) 数据

这是一套非常全面的C#源代码！

这篇文章的剩余部分将尝试回答以下问题：

Tab或空格？
regions：“应该被禁止”或“在某些情况下使用”？
“K&R” or “Allman”, C#开发者喜欢把它们的大括号放在哪里？（译者注：关于‘K&R’ 与 ‘Allman’，请参考维基百科）

然后转到一些没有争议的C#主题：

在我们最终看到Repository：

如果您想为自己尝试查询（或发现我的错误），那么所有这些查询可以在github上面找到，链接地址。很有可能我的正则表达式遗漏了一些边缘案例，毕竟正则表达式：现在有两个问题：

Tab或空格？

在整个数据集中有5,885,933个文件，但是我们只包括一个从Tab或空格开始的10行以上的文件

Tabs	Tab(百分比)	空格	空格(百分比)	总计
799,055	17.15%	3,859,528	82.85%	4,658,583

显然，C#开发人员（在GitHub上）喜欢空格超过Tab ！（我认为一些这可以通过Visual Studio中的事实来解释：默认情况下使用“空格”）。

如果您想了解C#与其它编程语言的比较，请查看40万个GitHub资源库，10亿个文件，14太字节的代码：空格或制表符？。

regions：“应该被禁止”或“在某些情况下使用”？

事实证明，有一个令人印象深刻的712,498 C#文件（总共580万），至少包含一个#region语句（查询方法），只有超过12%。（我希望很多这些文件已被工具自动生成！）

“K&R” or “Allman” ，C#开发者喜欢把它们的大括号放在哪里？

C#开发人员绝大多数喜欢将打开大括号{放在当单独的行上（查询方法）

单独行	同一行	同一个(初始化实例)	总计 (包括大括号)	总计（全部代码）
81,306,320 (67%)	40,044,603 (33%)	3,631,947 (2.99%)	121,350,923 (15.32%)	792,166,632

（“同一行初始化实例”包括代码new { Name = "", .. }，new [] { 1, 2, 3.. }）

哪些 using 声明使用最广泛？

这是一个更实质的统计，C#代码中，using 声明最广泛的语句是哪一些？

显示前10名结果（全部统计结果在这里查看）：

using 声明	总计
using System.Collections.Generic;	1,780,646
using System;	1,477,019
using System.Linq;	1,319,830
using System.Text;	902,165
using System.Threading.Tasks;	628,195
using System.Runtime.InteropServices;	431,867
using System.IO;	407,848
using System.Runtime.CompilerServices;	338,686
using System.Collections;	289,867
using System.Reflection;	218,369

但是，当您在Visual Studio中添加新文件时，默认情况下包含前5个，许多人不会删除它们。默认情况下，“AssemblyInfo.cs”中包含的“System.Runtime.InteropServices”和“System.Runtime.CompilerServices”也是一样。

所以如果我们考虑到这一点，调整一下统计规则，前10名的结果是：

using 声明	总计
using System.IO;	407,848
using System.Collections;	289,867
using System.Reflection;	218,369
using System.Diagnostics;	201,341
using System.Threading;	179,168
using System.ComponentModel;	160,681
using System.Web;	160,323
using System.Windows.Forms;	137,003
using System.Globalization;	132,113
using System.Drawing;	127,033

最后，using 声明不在System，Microsoft和Windows命名空间的前10名统计结果：

using 声明	总计
using NUnit.Framework;	119,463
using UnityEngine;	117,673
using Xunit;	99,099
using Newtonsoft.Json;	81,675
using Newtonsoft.Json.Linq;	29,416
using Moq;	23,546
using UnityEngine.UI;	20,355
using UnityEditor;	19,937
using Amazon.Runtime;	18,941
using log4net;	17,297

哪些NuGet软件包常常被包含在.NET项目中

还有一个单独的数据集包含GitHub上的所有‘packages.config’文件，它被称为contents_net_packages_config，有104,808个条目。通过查询，我们可以看到Json.Net是完胜的赢家！

package	总计
Newtonsoft.Json	45,055
Microsoft.Web.Infrastructure	16,022
Microsoft.AspNet.Razor	15,109
Microsoft.AspNet.WebPages	14,495
Microsoft.AspNet.Mvc	14,236
EntityFramework	14,191
Microsoft.AspNet.WebApi.Client	13,480
Microsoft.AspNet.WebApi.Core	12,210
Microsoft.Net.Http	11,625
jQuery	10,646
Microsoft.Bcl.Build	10,641
Microsoft.Bcl	10,349
NUnit	10,341
Owin	9,681
Microsoft.Owin	9,202
Microsoft.AspNet.WebApi.WebHost	9,007
WebGrease	8,743
Microsoft.AspNet.Web.Optimization	8,721
Microsoft.AspNet.WebApi	8,179

一般C#文件中有多少行代码（LOC）？

C#开发人员是否容易创建巨大的文件，可以为1000的行？

注意Y轴是“代码行”，原始数据。

您是否想知道十大最大的C#文件是哪些呢！

文件	行数
MarMot/Input/test.marmot.cs	92663
src/CodenameGenerator/WordRepos/LastNamesRepository.cs	88810
cs_inputtest/cs_02_7000.cs	63004
cs_inputtest/cs_02_6000.cs	54004
src/ML NET20/Utility/UserName.cs	52014
MWBS/Dictionary/DefaultWordDictionary.cs	48912
Sources/Accord.Math/Matrix/Matrix.Comparisons1.Generated.cs	48407
UrduProofReader/UrduLibs/Utils.cs	48255
cs_inputtest/cs_02_5000.cs	45004
css/style.cs	44366

使用最广泛的“Exception”是哪一个？

这里有一些有趣的结果（查询方式），谁知道这么多ApplicationExceptions被抛出来，NotSupportedException这么高令人有点担心！

Exception	总计
throw new ArgumentNullException	699,526
throw new ArgumentException	361,616
throw new NotImplementedException	340,361
throw new InvalidOperationException	260,792
throw new ArgumentOutOfRangeException	160,640
throw new NotSupportedException	110,019
throw new HttpResponseException	74,498
throw new ValidationException	35,615
throw new ObjectDisposedException	31,129
throw new ApplicationException	30,849
throw new UnauthorizedException	21,133
throw new FormatException	19,510
throw new SerializationException	17,884
throw new IOException	15,779
throw new IndexOutOfRangeException	14,778
throw new NullReferenceException	12,372
throw new InvalidDataException	12,260
throw new ApiException	11,660
throw new InvalidCastException	10,510

使用“async/await”?

在C#语言中使用async和await关键字编写异步代码更容易：

    public async Task<int> GetDotNetCountAsync()

    {

        // Suspends GetDotNetCountAsync() to allow the caller (the web server)

        // to accept another request, rather than blocking on this one.

        var html = await _httpClient.DownloadStringAsync("http://dotnetfoundation.org");

        return Regex.Matches(html, ".NET").Count;

    }

但它使用了多少？使用下面的查询：

SELECT Count(*) count

    FROM

      [fh-bigquery:github_extracts.contents_net_cs]

    WHERE

      REGEXP_MATCH(content, r'\sasync\s|\sawait\s')

我发现有218,643个文件（总共5,885,933个）至少使用一个async、await关键字。

C#开发人员是否喜欢使用“var”关键字？

比async、await关键字使用的更少，只有130,590个文件至少有一个var关键字被使用。

在一个Repository中一般有多少个文件？

90%的Repository（具有任何C#文件）具有95个或更少的文件。95%具有170个文件或更少，99%具有535个或更少的文件。

（Y轴（C#＃文件）是个数）

根据C#文件数量排名前10的最大Repository如下所示：

Repository	C#文件数
https://github.com/xen2/mcs	23389
https://github.com/mater06/LEGOChimaOnlineReloaded	14241
https://github.com/Microsoft/referencesource	13051
https://github.com/dotnet/corefx	10652
https://github.com/apo-j/Projects_Working	10185
https://github.com/Microsoft/CodeContracts	9338
https://github.com/drazenzadravec/nequeo	8060
https://github.com/ClearCanvas/ClearCanvas	7946
https://github.com/mwilliamson-firefly/aws-sdk-net	7860
https://github.com/151706061/MacroMedicalSystem	7765

最受欢迎的Repository是哪一些(其中有C＃代码)？

这次我们将要统计包含至少50个C#文件（查询方式）的最受欢迎的Repository（基于GitHub'stars' ）：

Repository	stars	文件数
https://github.com/grpc/grpc	11075	237
https://github.com/dotnet/coreclr	8576	6503
https://github.com/dotnet/roslyn	8422	6351
https://github.com/facebook/yoga	8046	73
https://github.com/bazelbuild/bazel	7123	132
https://github.com/dotnet/corefx	7115	10652
https://github.com/SeleniumHQ/selenium	7024	512
https://github.com/Microsoft/WinObjC	6184	81
https://github.com/qianlifeng/Wox	5674	207
https://github.com/Wox-launcher/Wox	5674	142
https://github.com/ShareX/ShareX	5336	766
https://github.com/Microsoft/Windows-universal-samples	5130	1501
https://github.com/NancyFx/Nancy	3701	957
https://github.com/chocolatey/choco	3432	248
https://github.com/JamesNK/Newtonsoft.Json	3340	650

有趣的是，第一名是Google Repository！（其中的C#文件是使用.NET中的GRPC库的示例代码）

最受欢迎的C# Class 名称中哪些？

假设我使用正则表达式，最流行的C# class名称如下：

Class 名称	总计
class C	182480
class Program	163462
class Test	50593
class Settings	40841
class Resources	39345
class A	34687
class App	28462
class B	24246
class Startup	18238
class Foo	15198

Yay Foo，偷偷进入前10！

'Foo.cs'，'Program.cs'或其它，最常见的文件是哪些？

最后，我们来看看class使用的不同的名称，就像using声明作为Visual Studio默认模板一样：

文件	总计
AssemblyInfo.cs	386822
Program.cs	105280
Resources.Designer.cs	40881
Settings.Designer.cs	35392
App.xaml.cs	21928
Global.asax.cs	16133
Startup.cs	14564
HomeController.cs	13574
RouteConfig.cs	11278
MainWindow.xaml.cs	11169

原文：《Analysing C# code on GitHub with BigQuery》http://mattwarren.org/2017/10/12/Analysing-C-code-on-GitHub-with-BigQuery/
翻译：Sweet Tang
本文地址：http://www.cnblogs.com/tdfblog/p/Analysing-C-code-on-GitHub-with-BigQuery.html
欢迎转载，请在明显位置给出出处及链接。