如何获取 BigQuery 中给定存储库的 GitHub 星总数?
Posted
技术标签:
【中文标题】如何获取 BigQuery 中给定存储库的 GitHub 星总数?【英文标题】:How to get total number of GitHub stars for a given repo in BigQuery? 【发布时间】:2017-03-21 03:53:24 【问题描述】:我的目标是随着时间的推移跟踪我的 BigQuery 存储库的受欢迎程度。
我想使用公开可用的 BigQuery 数据集,例如 GitHub Archive 或 the GitHub dataset
GitHub 数据集sample_repos
不包含星数快照:
SELECT
watch_count
FROM
[bigquery-public-data:github_repos.sample_repos]
WHERE
repo_name == 'angular/angular'
返回 5318。
GitHub 存档是事件的时间线。我可以尝试将它们全部相加,但数字与 GitHub UI 中的数字不匹配。我猜是因为它不计算取消星标操作。这是我使用的查询:
SELECT
COUNT(*)
FROM
[githubarchive:year.2011],
[githubarchive:year.2012],
[githubarchive:year.2013],
[githubarchive:year.2014],
[githubarchive:year.2015],
[githubarchive:year.2016],
TABLE_DATE_RANGE([githubarchive:day.], TIMESTAMP('2017-01-01'), TIMESTAMP('2017-03-30') )
WHERE
repo.name == 'angular/angular'
AND type = "WatchEvent"
返回 24144
实际值为 21,921
【问题讨论】:
【参考方案1】:#standardSQL
SELECT
COUNT(*) naive_count,
COUNT(DISTINCT actor.id) unique_by_actor_id,
COUNT(DISTINCT actor.login) unique_by_actor_login
FROM `githubarchive.month.*`
WHERE repo.name = 'angular/angular'
AND type = "WatchEvent"
天真计数:有些人明星和取消明星,并再次明星。这会创建重复的 WatchEvents。
按演员 ID 计数唯一:每个人只能出演一次。我们可以计算这些(但我们不知道它们是否未加星标,因此总数会低于此值)。
演员登录唯一性:某些历史月份缺少“actor.id”字段。我们可以改为查看“actor.login”字段(但有些人更改了他们的登录名)。
另外,感谢 GHTorrent 项目:
#standardSQL
SELECT COUNT(*) stars
FROM `ghtorrent-bq.ght_2017_01_19.watchers` a
JOIN `ghtorrent-bq.ght_2017_01_19.projects` b
ON a.repo_id=b.id
WHERE url = 'https://api.github.com/repos/angular/angular'
LIMIT 10
20567,截至 2017 年 1 月 19 日。
相关:
当项目更改名称时会发生什么?https://***.com/a/42935592/132438
如何在更新之前获取更新的 GHtorrent 数据?https://***.com/a/42935662/132438
【讨论】:
githubarchive 方法似乎是angular/angular
的一个很好的近似值,但是当我尝试bazelbuild/bazel
时,我实际上得到了 3320(实际上是 6033)。
ghtorrent-bq
方法更接近。但是我想要最新的数据,数据集每天更新吗?每周一次?
有趣的 cmets,我添加了 2 个额外的答案(考虑将新问题也提交到堆栈溢出,作为使对话过长的一个选项)
此处提出的后续问题:***.com/questions/42935551/… 和此处:***.com/questions/42935607/…以上是关于如何获取 BigQuery 中给定存储库的 GitHub 星总数?的主要内容,如果未能解决你的问题,请参考以下文章
如何在 bigquery 中使用 rowid 按日期获取数据集的第一个值,并将给定日期的所有其他值设为 0
markdown 一些命令在命令行上获取存储库的git commit日志统计信息。