Github 用户及仓库分析爬虫

爬虫介绍

写完了 Stackoverflow 的爬虫，这回打算写 Github 的，利用 Scrapy 框架对 Github 用户和仓库信息进行爬取，图片利用管道下载。
Github 是一个很棒的社区，这里可以找到很多优秀的项目，很多实用的库类，简直是 coder 的天堂，同时也是全球最大的同性交友社区？ 爬取的数据主要分为两大类， User 类 和 Repo 类 ，也就是针对用户情况和仓库信息

User 类

先来看看 Github 全站 followers 人数 top10 都是哪些大犇

avatar	user	user_repo	user_star	user_follower	user_following
	https://github.com/torvalds	4	2	53500	0
	https://github.com/JakeWharton	93	213	34000	12
	https://github.com/tj	253	1700	27600	46
	https://github.com/ruanyf	43	125	24700	0
	https://github.com/addyosmani	292	732	24700	241
	https://github.com/paulirish	261	683	23300	239
	https://github.com/mojombo	61	121	20100	11
	https://github.com/gaearon	202	1100	17000	171
	https://github.com/sindresorhus	877	2200	16900	40
	https://github.com/daimajia	60	2900	16400	236

Linus 大神以压倒性的优势夺得第一名，说实在不知道 Linus 的真不好意思说自己是写代码的，这是信仰。然而大神还是很傲娇的，毕竟没有 following anybody，可能是强到了没朋友了吧，毕竟 talk is cheap, show me the code。JakeWharton 以 34000+ 位于第二，以前也看过一点 Android 的东西，不知道说什么，膜拜吧。

中国区还是有两名种子选手挺进了 top10，阮一峰 和 代码家

Github 的地区选项自由度很大，所以比较难统计出各国的注册账户的人数。China 关键字的有 77473 人，USA 关键字有 48667 人

那来了解一下国情，在国区的这 77473 人中，followers 人数 top10 如下

avatar	user	user_following	user_follower
	https://github.com/ruanyf	0	25.2k
	https://github.com/daimajia	236	16.5k
	https://github.com/yyx990803	89	16.2k
	https://github.com/michaelliao	0	12.4k
	https://github.com/JacksonTian	145	12.1k
	https://github.com/Trinea	37	11.9k
	https://github.com/lifesinger	12	10k
	https://github.com/stormzhang	88	9.6k
	https://github.com/cloudwu	1	9.5k
	https://github.com/onevcat	120	9k

vue.js 作者尤雨溪位列第三。廖雪峰紧跟其后排在第四，话说我也看过他的 Python 教程的

个人仓库数量 top10，因为组织的话无法查看具体仓库数，所以就选取了个人的

user	user_repo
https://github.com/pombredanne	35.4k
https://github.com/gitter-badger	27.1k
https://github.com/carriercomm	18.8k
https://github.com/digideskio	16.9k
https://github.com/bestwpw	13.8k
https://github.com/modulexcite	10.7k
https://github.com/happyqq	9.1k
https://github.com/kleopatra999	8.2k
https://github.com/treejames	7.2k
https://github.com/carabina	7.2k

前两名都好多，项目数量都达到了 27k 以上，好强，他们是怎么办到的

Repo 类

仓库的 stars top10

repo	repo_fork	repo_star	repo_watch
https://github.com/freeCodeCamp/freeCodeCamp	11121	261439	7638
https://github.com/twbs/bootstrap	50468	109702	6833
https://github.com/vhf/free-programming-books	20950	83871	6221
https://github.com/facebook/react	12036	65030	4402
https://github.com/d3/d3	16709	63463	3171
https://github.com/getify/You-Dont-Know-JS	9232	57138	3279
https://github.com/sindresorhus/awesome	7113	57119	3787
https://github.com/angular/angular.js	27738	55503	4407
https://github.com/tensorflow/tensorflow	26135	54976	4968
https://github.com/robbyrussell/oh-my-zsh	12298	52575	1895

仓库的 forks top10

repo	repo_fork	repo_star	repo_watch
https://github.com/jtleek/datasharing	170171	3858	546
https://github.com/rdpeng/ProgrammingAssignment2	101258	469	117
https://github.com/octocat/Spoon-Knife	90787	9969	308
https://github.com/twbs/bootstrap	50468	109702	6833
https://github.com/rdpeng/ExData_Plotting1	43190	136	18
https://github.com/angular/angular.js	27738	55503	4407
https://github.com/rdpeng/RepData_PeerAssessment1	27072	57	17
https://github.com/tensorflow/tensorflow	26135	54976	4968
https://github.com/DataScienceSpecialization/courses	24094	2538	819
https://github.com/udacity/frontend-nanodegree-resume	24044	706	118

两个 top10 中有多少个是重叠的呢，答案是 3 个

repo	repo_star	repo_fork	repo_watch
https://github.com/twbs/bootstrap	109702	50468	6833
https://github.com/angular/angular.js	55503	27738	4407
https://github.com/tensorflow/tensorflow	54976	26135	4968

那你知道两者的 top100 中有多少个是重叠的吗，答案是 51 个，top500 是 270 个

forks 数超过 1000 的仓库共有 1586 个，看看各语言都有几个，选取排名前 10 的语言生成条形图

再把维度扩大到 10000，共 41 个

JavaScript，Java，Python 基本上是稳居前 3 名，特别是 JavaScript，真是大红大紫，当然我大 Python 也是很有潜力的

stars 数超过 1000 的仓库有 10410 个

超过 10000 的 402 个

各大语言的分布情况基本上和 forks 数是一致的。唯一不同的语言就是 HTML 换成了 CSS，不过也都差不多，这两门语言基本上都是不分家的

来看个有趣的排名，全站代码量 top3 的仓库

repo
https://github.com/opengapps/arm
https://github.com/kiang/data.fda.gov.tw
https://github.com/hanxiao/hanxiao.github.io

了解一下 Python 的情况

Python 仓库 stars 数 top10

repo	repo_fork	repo_star	repo_watch
https://github.com/vinta/awesome-python	6215	33163	2957
https://github.com/jakubroztocil/httpie	1949	29302	856
https://github.com/pallets/flask	8430	26618	1681
https://github.com/nvbn/thefuck	1273	26200	554
https://github.com/rg3/youtube-dl	4846	25453	1064
https://github.com/django/django	10298	25208	1523
https://github.com/kennethreitz/requests	4462	24600	1007
https://github.com/ansible/ansible	7496	22732	1634
https://github.com/josephmisiti/awesome-machine-learning	5320	21963	2221
https://github.com/scrapy/scrapy	5338	20053	1430

Python 仓库 forks 数 top10

repo	repo_fork	repo_star	repo_watch
https://github.com/shadowsocks/shadowsocks	10533	17302	1520
https://github.com/django/django	10298	25208	1523
https://github.com/scikit-learn/scikit-learn	9952	18159	1646
https://github.com/pallets/flask	8430	26618	1681
https://github.com/ansible/ansible	7496	22732	1634
https://github.com/udacity/fullstack-nanodegree-vm	6495	122	22
https://github.com/vinta/awesome-python	6215	33163	2957
https://github.com/odoo/odoo	6045	6481	1130
https://github.com/scrapy/scrapy	5338	20053	1430
https://github.com/josephmisiti/awesome-machine-learning	5320	21963	2221

shadowsocks 在 stars 里排不进 top10，居然在 forks 里勇夺第一了，这梯子圆了多少人的翻墙梦。另外一架梯子 XX-NET 很遗憾，两项都没挤进 top10，扎心了老铁

repo	repo_fork	repo_star	repo_watch
https://github.com/XX-net/XX-Net	4682	13787	1343

老规矩，看看这两个 top10 交集部分，有 5 个，如下。（ 两个前 top100 中交集有 52 个 ）

repo	repo_star	repo_fork	repo_watch
https://github.com/django/django	25208	10298	1523
https://github.com/pallets/flask	26618	8430	1681
https://github.com/ansible/ansible	22732	7496	1634
https://github.com/vinta/awesome-python	33163	6215	2957
https://github.com/josephmisiti/awesome-machine-learning	21963	5320	2221

两大 web 框架 django 和 flask 的表现还是不负众望的，awesome 系列在每种语言里都很受欢迎

谢谢观赏 (ง •̀_•́)ง (,,• ₃ •,,)