谷歌BigQuery现在允许查询所有GitHub开源项目了

谷歌 GitHub BigQuery

摘要

谷歌和GitHub宣布，谷歌BigQuery现在为GitHub上280多万个托管开源项目提供了一个完整的快照。这让用户可以使用SQL查询托管在GitHub上的将近20亿个开源文件。

正文

谷歌和GitHub宣布，谷歌BigQuery现在为GitHub上280多万个托管开源项目提供了一个完整的快照。这让用户可以使用SQL查询托管在GitHub上的将近20亿个开源文件。

GitHub的BigQuery数据集以GitHub Archive项目为基础，该项目旨在获取GitHub特定时点的快照，以便存储用来进行进一步的分析。借助GitHub的BigQuery数据集，现在随时可以通过任意类似SQL的查询查询GitHub Archive项目的内容。

GitHub开源项目经理Arfon Smith举了一个例子，新的BigQuery数据集可以用来找出哪个Go程序包最常用，或者哪一所美国学校的开源贡献者最多。他还指出，总体上，该数据集还有利于研究人员研究开源社区或者最新的开发趋势。

谷歌开发大使Felipe Hoffa另外添加了几个有关潜在用途的示例，比如找出使用给定开源库的每个项目，或者分析其使用方式，以便收集有用的数据，确定那个库的未来发展方向。

在Medium上发表的一篇博文中，Hoffa列出了一些由谷歌工程师及其他开发人员创建的查询。这些查询可以用来分析Go程序，找出最常用的Java导入、最常用的angular指令以及最常用的emacs程序包。

GitHub的BigQuery数据集包含大约1.5TB的数据，每小时自动更新。下面是基本的使用步骤：

• 登录谷歌开发者控制台；
• 创建一个项目；
• 激活BigQuery API；
• 打开GitHub公共数据集并执行查询。

谷歌每月免费提供1TB的数据处理，但是，正如谷歌开发大使给我们的提醒，在主数据集（bigquery-public-data:github_repos.contents）上执行一个查询就会用完这1TB的免费数据。因此，他建议使用23GB的官方摘录数据（bigquery-public-data:github_repos.sample_contents）或者谷歌提供的任意专注于流行语言的摘录数据，诸如Go、Ruby、JavaScript、PHP、Python和Java。BigQuery还可以用来创建自定义数据集，但在这种情况下，用户需要支付存储费用。

谷歌BigQuery公共数据集是谷歌根据一项特别计划通过BigQuery提供的一系列数据集，用户只需要为他们执行的查询付费，但不用为数据集存储付费。谷歌BigQuery公共数据集提供的其他数据集包括美国人名、Hacker News自2006年以来的故事和评论、1029年和2016年之间的全球气候数据，等等。

查看英文原文：Google BigQuery Now Allows to Query All Open-Source Projects on GitHub