Python 專案可以有多大

總是看到有人說，動態一時爽，重構火葬場。然而這世界上有的是著名的開源專案， 也有像 Github、Instagram 這樣流量巨大的知名網站是基於動態語言開發的，經過了這麼多年重構，也未聽說哪個作者進了火葬場的，不明白這些人是真的不知道還是裝作看不見呢？不過他們說動態語言大到一定程度就無法維護，雖然這話也同樣不值一駁，不過也提醒了我，我也很好奇用動態語言開發的專案規模能大到什麼程度。

從我知道的資訊看，用動態語言開發的最大規模的專案可能要算是 OpenStack，據說程式碼總量已經達到數百萬行，並且還在持續增加中。這當然是一個說明動態語言能力的好例子。不過像這樣巨大的專案，要分析起來也並不容易（好吧，真正的原因是我懶得下載那麼龐大的程式碼庫）。我選擇了 Python 社群中比較知名的一些專案來分析，主要是來自 Github ，也有個別來自其他倉庫。這個選擇可能包含了一定的主觀因素在內，不過我相信大多數專案還是非常有代表性的。

計算程式碼數量的工具是 cloc。所有專案均選擇截止到 2018 年 1 月 3 日的主幹程式碼，統計中僅包含 Python 檔案，排除了其他檔案型別。值得說明的一點是， 通過 Ubuntu APT 預設安裝的 cloc 版本 1.60 在統計部分專案的時候存在問題，該問題在最新的版本中已經得到解決，因此本文中所有統計均使用從官網下載的 cloc v1.72。

上表已經按程式碼行數排了序。有意思的一點是， 程式碼規模最大的前4名中除了 CPython 之外其他三個全部是運維性質的專案，本來我猜測程式碼應該比較多的專案比如 Odoo 排名反而很靠後。我對運維專案瞭解有限，不太清楚為什麼這些專案的程式碼規模會名列前茅，或許是因為要支援的內容比較多而雜？

本次統計中純 Python 程式碼量最大的 Sentry 幾乎達到了 70W 行，這是相當有規模的專案了。30W~50W 行程式碼的專案有三個，包括基礎專案 CPython 在內。20W 和 10W 行程式碼規模的分別有三個，剩下 7 個則在 10W 行以內。看過這個列表你應當相信，動態語言至少在幾十W行程式碼的專案上是完全沒有問題的。這也是絕大多數普通應用的上限了，如果程式碼真的達到數百萬行規模的話，那麼無論用什麼語言，都勢必面臨著拆分專案的問題。

上表將程式碼量指標按照程式碼/空白/註釋進行了分類，也在一定程度上反應了專案的程式碼風格。Sentry 是本次統計中程式碼量最多的專案，然而從表中可以看到，專案中的註釋和其他專案相比，少得有點不成比例，說明 Sentry 的作者非常不注重註釋。

同學們一定發現了，我在列表中除了程式碼行相關的指標之外還增加了幾個其他內容，這也是我個人比較感興趣的方面。

第一個指標是每個檔案的平均程式碼行數。按照模組化的觀點，單個檔案中堆砌太多內容顯然是不合理的，這通常意味著耦合太多、難於理解和修改。然而到底多少算是合適，並沒有一個明確的標準。我希望通過這些專案的分析，瞭解一下開源作者們在實踐中做出的選擇。

統計的結果分佈比較平均，從 100~600行/檔案的都存在，並不存在明顯的集中點。有趣的是，頭兩名（Pandas, NumPy）有著緊密的聯絡，都是和數學統計相關的。這可能是因為數學庫的特點比較純粹而單一，不像其他類庫那樣容易劃分。末尾的專案（Pillow, youtube-dl, Odoo, Scrapy）可以從側面印證這種猜想：它們都是面向特定領域的，所以更加容易模組化。

第二個指標是註釋和程式碼的比例，這個問題也有著類似的情況。註釋並非越詳盡越好，但總是需要一定量的註釋來解釋 Why 的問題。註釋太少，說明專案的作者沒有給後來的維護人員留下足夠的線索，可能會造成維護上的問題。另一方面，我們考察的全部是開源專案，沒有公司考核或者 KPI 的約束，所以我們可以放心的相信不會存在作者故意多寫註釋的問題。前面提到的 Sentry 毫無爭議的因為註釋太少排到了最後，這未必說明這個專案很差，但至少是一個訊號，說明該專案在維護方面可能是存在問題的。而對於那些作者願意投入精力來寫註釋的專案（Ansible, NumPy, Fabric, Salt 等），足以反映作者在專案上投入了相當大的心力，這是一個好的訊號，說明這些專案是值得信賴的。

有一點是出乎我意料的，那就是作為所有專案之母的 CPython 排名比較靠後，按照道理這個基礎專案應該有更多的註釋才對。不過再想一想又覺得可以理解，因為 CPython 有單獨釋出的、非常詳盡的文件，這是其他大多數專案都沒有的，那麼程式碼中的註釋少一些也是情有可原的。

最後一項統計是關於檔案型別的。Python 專案中絕大多數應該是 Python 程式碼，這點沒有什麼疑問，但同時我也想看看除了 Python 程式碼之外，一個專案還包括哪些主要檔案。C/HTML/Javascipt 的上榜是毫不意外的，但有一種檔案我事先沒有想到，那就是 .PO（開源專案常用的語言資原始檔）。對於 Django 和 Django-CMS 這兩個專案, PO 程式碼數量甚至比 Python 程式碼還要多。大概看了一下，Django 支援 90 種以上的語言，這也無怪乎語言檔案的數量如此之多了。這個結果也可以提醒我們，有些同學——不僅是程式設計師，也包括大多數經驗不足的老闆、客戶、產品經理等——會下意識的認為程式開發無非是寫程式碼，對於程式碼之外的其他工作，在估算的時候往往只拍腦袋式的定下一個極短的時間。但對於實際的專案來說，程式碼僅僅是其中的一部分，“其他工作”有時候——應該說是經常——會佔用你大部分的的時間和精力。這些工作往往並不有趣，但對於專案來說又是必不可少的組成部分，希望同學們予以足夠的重視。