用 Tab 還是 Space？谷歌程式設計師分析了10億份程式碼

小米雲豆粥發表於2016-09-04

用 Tab 還是 Space？事關程式設計師的信仰之爭。2015 年程式設計師 Uku Pattak 分析了 GitHub 上多種語言的熱門專案（star 數量高）中使用 Tab 和空格的對比情況。2016 年，谷歌程式設計師 Felipe Hoffa 分析了 10 億份程式碼。

分析結果可先看下圖：

40萬個repo, 10億份程式碼檔案, 14TB 程式碼

規則：

資料來源：已儲存在 BigQuery 上的 GIthub 文件
Star 很重要：只選擇了2016年1月到5月之間加星量（star）在前 40 萬個的專案
排除小檔案：程式碼檔案至少得有 10 行程式碼，開始的字元是：空格或者製表符
去除冗餘：不管它們存在於多少個專案中，相同的程式檔案只算一次
一個檔案一票：有些程式碼檔案中混用了製表符和空格。如果該檔案製表符用的多，那它就算製表符一票。反之亦然。
只考慮使用廣泛的程式語言：我只選取了有下面這些字尾的檔案：(.java, .h, .js, .c, .php, .html, .cs, .json, .py, .cpp, .xml, .rb, .cc, .go)

資料

用 Tab 還是 Space？谷歌程式設計師分析了10億份程式碼

實現方法

我使用了已有的 [bigquery-public-data:github_repos.sample_files] 表。這個表列出了排名最前的 40 萬個專案。從中提取了含有被廣泛使用的語言字尾的檔案。

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

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

1	864.6s elapsed, 1.60 TB processed

由於我要聯結分別有 1.97 億行和 0.7 億行的兩個表（一共有 1.6T 資料量），這個過程花費了不少時間。我把結果放在這裡了[fh-bigquery:github_extracts.contents_top_repos_top_langs]，你們就不用重新跑這個過程了。

在 [contents] 表格中，包含了去冗餘之後的所有檔案。下面的命令列用來檢查檔案數量和大小。

SELECT SUM(copies) total_files, SUM(copies*size) total_size
FROM [fh-bigquery:github_extracts.contents_top_repos_top_langs]

1 2	SELECT SUM(copies) total_files, SUM(copies*size) total_size FROM [fh-bigquery:github_extracts.contents_top_repos_top_langs]

用 Tab 還是 Space？谷歌程式設計師分析了10億份程式碼

10 億檔案，14TB程式碼

然後開始按照前面提到的規則排序：

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

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

1	16.0s elapsed, 133 GB processed

分析 133G 程式碼只有 16 秒？我愛 BigQuery。

最後 Felipe Hoffa 還貼上一個視訊

在熱播劇《矽谷》第三季中，不僅有 Tab 和 Space 之爭，也有 Vim 和 Emacs……結果導致一對程式設計師做不成情侶了

<embed>

視訊亮點在結尾 :)

打賞支援我翻譯更多好文章，謝謝！
打賞譯者

打賞支援我翻譯更多好文章，謝謝！

任選一種支付方式

用 Tab 還是 Space？谷歌程式設計師分析了10億份程式碼

用 Tab 還是 Space？谷歌程式設計師分析了10億份程式碼

40萬個repo, 10億份程式碼檔案, 14TB 程式碼

最後 Felipe Hoffa 還貼上一個視訊

打賞支援我翻譯更多好文章，謝謝！

相關文章