如何通过Github Archive数据衡量语言流行度？

Question

我试图通过以下方式衡量编程语言的受欢迎程度：

1. 回购中的星星数量与......相结合。
2. repo中使用的编程语言......
3. 每种语言中代码的总字节数（认识到某些语言更多/更少详细）

方便的是，Github Archive提供了大量的Github数据，并由BigQuery托管。唯一的问题是我没有看到＆＃34;语言＆＃34;可用于Github Archive中各种事件类型的任何有效负载。

以下是我一直在运行的BigQuery查询，试图查找Github存档数据中是否填写语言，以及在何处填写语言：

SELECT *
FROM [githubarchive:month.201612]
WHERE JSON_EXTRACT(payload, "$.repository.language") is null
LIMIT 100

有人可以了解我是否能够以这种方式利用Github存档数据，以及我该如何做到这一点？或者我还需要采取其他方法吗？我看到BigQuery上还有一个github_repos公共数据集，它确实有一些语言指标，但语言指标似乎一直都在。我最终希望获得某种月度指标（例如，在某个月内，＃34;活跃＆＃34;回购，最流行的语言是什么）。

感谢任何建议！

Answer 1

使用BigQuery和GitHub Archive和GHTorrent -

要通过拉取请求获取语言，去年12月（从http://mads-hartmann.com/2015/02/05/github-archive.html粘贴的副本）：

SELECT COUNT(*) c, JSON_EXTRACT_SCALAR(payload, '$.pull_request.base.repo.language') lang
FROM [githubarchive:month.201612]
WHERE JSON_EXTRACT_SCALAR(payload, '$.pull_request.base.repo.language') IS NOT NULL
GROUP BY 2
ORDER BY 1 DESC
LIMIT 10

查找每个项目的星数：

SELECT COUNT(*) c, repo.name 
FROM [githubarchive:month.201612]
WHERE type='WatchEvent'
GROUP BY 2
ORDER BY 1 DESC
LIMIT 10

对于快速语言与字节视图，您可以使用GHTorrent：

SELECT language, SUM(bytes) bytes
FROM [ghtorrent-bq:ght.project_languages]
GROUP BY 1
ORDER BY 2 DESC
LIMIT 10

或者查看实际文件，请参阅contents of GitHub on BigQuery。

现在您可以混合使用这些查询来获得所需的结果！

Answer 2

SELECT 
  JSON_EXTRACT_SCALAR(payload, '$.pull_request.head.repo.language') AS language,
  COUNT(1) AS usage
FROM [githubarchive:month.201601] 
GROUP BY language
HAVING NOT language IS NULL
ORDER BY usage DESC