专栏首页大数据文摘文本分析了4000万条Stack Overflow讨论帖,这些是程序员最推荐的编程书(附代码)

文本分析了4000万条Stack Overflow讨论帖,这些是程序员最推荐的编程书(附代码)

大数据文摘作品

作者:Vlad Wetzel

编译:xixi、吴双、Aileen

程序员们都看什么书?他们会向别人推荐哪些书?

本文作者分析了Stack Overflow上的4000万条问答,找出了程序员们最常讨论的书,同时非常慷慨地公开了数据分析代码。让我们来看看作者是怎么说的吧。

寻找下一本值得读的编程书是一件很难,而且有风险的事情。

作为一个开发者,你的时间是很宝贵的,而看书会花费大量的时间。这时间其实你本可以用来去编程,或者是去休息,但你却决定将其用来读书以提高自己的能力。

所以,你应该选择读哪本书呢?我和同事们经常讨论看书的问题,我发现我们对于书的看法相差很远。

幸运的是,Stack Exchange(程序员最常用的IT技术问答网站Stack Overflow的母公司)发布了他们的问答数据。用这些数据,我找出了Stack Overflow上4000万条问答里,被讨论最多的编程书籍,一共5720本。

在这篇文章里,我将详细介绍数据获取及分析过程,附有代码。

我开发了dev-books.com来展示书籍推荐排序

让我们放大看看这些最受欢迎的书

“被推荐次数最多的书是Working Effectively with Legacy Code《修改代码的艺术》,其次是Design Pattern: Elements of Reusable Object-Oriented Software《设计模式:可复用面向对象软件的基础》。 虽然它们的名字听起来枯燥无味,但内容的质量还是很高的。你可以在每种标签下将这些书依据推荐量排序,如JavaScript, C, Graphics等等。这显然不是书籍推荐的终极方案,但是如果你准备开始编程或者提升你的知识,这是一个很好的开端。” ——来自Lifehacker.com的评论

获取和输入数据

我从archive.org抓取了Stack Exchange的数据。(https://archive.org/details/stackexchange)

从最开始我就意识到用最常用的方式(如 myxml := pg_read_file(‘path/to/my_file.xml’))输入48GB的XML文件到一个新建立的数据库(PostgreSQL)是不可能的,因为我没有48GB的RAM在我的服务器上,所以我决定用SAX程序。

所有的值都被储存在<row>这个标签之间,我用Python来提取这些值:

def startElement(self, name, attributes): 
 if name == ‘row’: 
 self.cur.execute(“INSERT INTO posts (Id, Post_Type_Id, Parent_Id, Accepted_Answer_Id, Creation_Date, Score, View_Count, Body, Owner_User_Id, Last_Editor_User_Id, Last_Editor_Display_Name, Last_Edit_Date, Last_Activity_Date, Community_Owned_Date, Closed_Date, Title, Tags, Answer_Count, Comment_Count, Favorite_Count) VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)”, 
 ( 
 (attributes[‘Id’] if ‘Id’ in attributes else None), 
 (attributes[‘PostTypeId’] if ‘PostTypeId’ in attributes else None), 
 (attributes[‘ParentID’] if ‘ParentID’ in attributes else None), 
 (attributes[‘AcceptedAnswerId’] if ‘AcceptedAnswerId’ in attributes else None), 
 (attributes[‘CreationDate’] if ‘CreationDate’ in attributes else None), 
 (attributes[‘Score’] if ‘Score’ in attributes else None), 
 (attributes[‘ViewCount’] if ‘ViewCount’ in attributes else None), 
 (attributes[‘Body’] if ‘Body’ in attributes else None), 
 (attributes[‘OwnerUserId’] if ‘OwnerUserId’ in attributes else None), 
 (attributes[‘LastEditorUserId’] if ‘LastEditorUserId’ in attributes else None), 
 (attributes[‘LastEditorDisplayName’] if ‘LastEditorDisplayName’ in attributes else None), 
 (attributes[‘LastEditDate’] if ‘LastEditDate’ in attributes else None), 
 (attributes[‘LastActivityDate’] if ‘LastActivityDate’ in attributes else None), 
 (attributes[‘CommunityOwnedDate’] if ‘CommunityOwnedDate’ in attributes else None), 
 (attributes[‘ClosedDate’] if ‘ClosedDate’ in attributes else None), 
 (attributes[‘Title’] if ‘Title’ in attributes else None), 
 (attributes[‘Tags’] if ‘Tags’ in attributes else None), 
 (attributes[‘AnswerCount’] if ‘AnswerCount’ in attributes else None), 
 (attributes[‘CommentCount’] if ‘CommentCount’ in attributes else None), 
 (attributes[‘FavoriteCount’] if ‘FavoriteCount’ in attributes else None) 
 ) 
 );

在数据输入进行了三天之后(有将近一半的XML在这段时间内已经被导入了),我发现我犯了一个错误:我把“ParentId”写成了“ParentID”。

但这个时候,我不想再多等一周,所以把处理器从AMD E-350 (2 x 1.35GHz)换成了Intel G2020 (2 x 2.90GHz),但这并没能加速进度。

下一个决定——批量输入:

class docHandler(xml.sax.ContentHandler): 
 def __init__(self, cusor): 
 self.cusor = cusor; 
 self.queue = 0; 
 self.output = StringIO(); 
   def startElement(self, name, attributes): 
 if name == ‘row’: 
 self.output.write( 
 attributes[‘Id’] + '\t` +  
 (attributes[‘PostTypeId’] if ‘PostTypeId’ in attributes else '\\N') + '\t' +  
 (attributes[‘ParentId’] if ‘ParentId’ in attributes else '\\N') + '\t' +  
 (attributes[‘AcceptedAnswerId’] if ‘AcceptedAnswerId’ in attributes else '\\N') + '\t' +  
 (attributes[‘CreationDate’] if ‘CreationDate’ in attributes else '\\N') + '\t' +  
 (attributes[‘Score’] if ‘Score’ in attributes else '\\N') + '\t' +  
 (attributes[‘ViewCount’] if ‘ViewCount’ in attributes else '\\N') + '\t' +  
 (attributes[‘Body’].replace('\\', '\\\\').replace('\n', '\\\n').replace('\r', '\\\r').replace('\t', '\\\t') if ‘Body’ in attributes else '\\N') + '\t' +  
 (attributes[‘OwnerUserId’] if ‘OwnerUserId’ in attributes else '\\N') + '\t' +  
 (attributes[‘LastEditorUserId’] if ‘LastEditorUserId’ in attributes else '\\N') + '\t' +  
 (attributes[‘LastEditorDisplayName’].replace('\n', '\\n') if ‘LastEditorDisplayName’ in attributes else '\\N') + '\t' +  
 (attributes[‘LastEditDate’] if ‘LastEditDate’ in attributes else '\\N') + '\t' +  
 (attributes[‘LastActivityDate’] if ‘LastActivityDate’ in attributes else '\\N') + '\t' +  
 (attributes[‘CommunityOwnedDate’] if ‘CommunityOwnedDate’ in attributes else '\\N') + '\t' +  
 (attributes[‘ClosedDate’] if ‘ClosedDate’ in attributes else '\\N') + '\t' +  
 (attributes[‘Title’].replace('\\', '\\\\').replace('\n', '\\\n').replace('\r', '\\\r').replace('\t', '\\\t') if ‘Title’ in attributes else '\\N') + '\t' +  
 (attributes[‘Tags’].replace('\n', '\\n') if ‘Tags’ in attributes else '\\N') + '\t' +  
 (attributes[‘AnswerCount’] if ‘AnswerCount’ in attributes else '\\N') + '\t' +  
 (attributes[‘CommentCount’] if ‘CommentCount’ in attributes else '\\N') + '\t' +  
 (attributes[‘FavoriteCount’] if ‘FavoriteCount’ in attributes else '\\N') + '\n' 
 ); 
 self.

StringIO让你可以用一个文件作为变量来执行copy_from这个函数,这个函数可以执行COPY(复制)命令。用这个方法,执行所有的输入过程只需要一个晚上。

好,是时候创建索引了。理论上,GiST Indexes会比GIN慢,但它占用更少的空间,所以我决定用GiST。又过了一天,我得到了70GB的加了索引的数据。

在试了一些测试语句后,我发现处理它们会花费大量的时间。至于原因,是因为Disk IO需要等待。使用SSD GOODRAM C40 120Gb会有很大提升,尽管它并不是目前最快的SSD。

我创建了一组新的PostgreSQL族群:

initdb -D /media/ssd/postgresq/data

然后确认改变路径到我的config服务器(我之前用Manjaro OS):

vim /usr/lib/systemd/system/postgresql.service

Environment=PGROOT=/media/ssd/postgres
PIDFile=/media/ssd/postgres/data/postmaster.pid

重新加载config并且启动postgreSQL:

systemctl daemon-reload postgresql systemctl start
postgresql

这次输入数据用了几个小时,但我用了GIN(来添加索引)。索引在SSD上占用了20GB的空间,但是简单的查询仅花费不到一分钟的时间。

从数据库提取书籍

数据全部输入之后,我开始查找提到这些书的帖子,然后通过SQL把它们复制到另一张表:

CREATE TABLE books_posts AS SELECT * FROM posts WHERE body LIKE ‘%book%’”;

下一步是找的对应帖子的连接:

CREATE TABLE http_books AS SELECT * posts WHERE body LIKE ‘%http%’”;

但这时候我发现StakOverflow代理的所有链接都如下所示:

rads.stackowerflow.com/[$isbn]/

于是,我建立了另一个表来保存这些连接和帖子:

CREATE TABLE rads_posts AS SELECT * FROM posts WHERE body LIKE ‘%http://rads.stackowerflow.com%'";

我使用常用的方式来提取所有的ISBN(国际标准书号),并通过下图方式提取StackOverflow的标签到另外一个表:

regexp_split_to_table

当我有了最受欢迎的标签并且做了统计后,我发现不同标签的前20本提及次数最多的书都比较相似。

我的下一步:改善标签。

方法是:在找到每个标签对应的前20本提及次数最多的书之后,排除掉之前已经处理过的书。因为这是一次性工作,我决定用PostgreSQL数组,编程语言如下:

SELECT * 
 , ARRAY(SELECT UNNEST(isbns) EXCEPT SELECT UNNEST(to_exclude )) 
 , ARRAY_UPPER(ARRAY(SELECT UNNEST(isbns) EXCEPT SELECT UNNEST(to_exclude )), 1)  
 FROM ( 
 SELECT * 
 , ARRAY[‘isbn1’, ‘isbn2’, ‘isbn3’] AS to_exclude  
 FROM ( 
 SELECT  
 tag 
 , ARRAY_AGG(DISTINCT isbn) AS isbns 
 , COUNT(DISTINCT isbn)  
 FROM ( 
 SELECT *  
 FROM ( 
 SELECT  
 it.* 
 , t.popularity  
 FROM isbn_tags AS it  
 LEFT OUTER JOIN isbns AS i on i.isbn = it.isbn  
 LEFT OUTER JOIN tags AS t on t.tag = it.tag  
 WHERE it.tag in ( 
 SELECT tag  
 FROM tags  
 ORDER BY popularity DESC  
 LIMIT 1 OFFSET 0 
 )  
 ORDER BY post_count DESC LIMIT 20 
 ) AS t1  
 UNION ALL 
 SELECT *  
 FROM ( 
 SELECT  
 it.* 
 , t.popularity  
 FROM isbn_tags AS it  
 LEFT OUTER JOIN isbns AS i on i.isbn = it.isbn  
 LEFT OUTER JOIN tags AS t on t.tag = it.tag  
 WHERE it.tag in ( 
 SELECT tag  
 FROM tags  
 ORDER BY popularity DESC  
 LIMIT 1 OFFSET 1 
 )  
 ORDER BY post_count  
 DESC LIMIT 20 
 ) AS t2  
 UNION ALL 
 SELECT *  
 FROM ( 
 SELECT  
 it.* 
 , t.popularity  
 FROM isbn_tags AS it  
 LEFT OUTER JOIN isbns AS i on i.isbn = it.isbn  
 LEFT OUTER JOIN tags AS t on t.tag = it.tag  
 WHERE it.tag in ( 
 SELECT tag  
 FROM tags  
 ORDER BY popularity DESC  
 LIMIT 1 OFFSET 2 
 )  
 ORDER BY post_count DESC  
 LIMIT 20 
 ) AS t3  
 ... 
 UNION ALL 
   SELECT *  
 FROM ( 
 SELECT  
 it.* 
 , t.popularity  
 FROM isbn_tags AS it  
 LEFT OUTER JOIN isbns AS i on i.isbn = it.isbn  
 LEFT OUTER JOIN tags AS t on t.tag = it.tag  
 WHERE it.tag in ( 
 SELECT tag  
 FROM tags  
 ORDER BY popularity DESC  
 LIMIT 1 OFFSET 78 
 )  
 ORDER BY post_count DESC  
 LIMIT 20 
 ) AS t79 
 ) AS tt  
 GROUP BY tag  
 ORDER BY max(popularity) DESC  
 ) AS ttt 
 ) AS tttt  
 ORDER BY ARRAY_upper(ARRAY(SELECT UNNEST(arr) EXCEPT SELECT UNNEST(la)), 1) DESC;

既然已经有了所需要的数据,我开始着手建立网站。

建立网站

因为我不是一个网页开发人员,更不是一个网络用户界面专家,所以我决定创建一个基于默认主题的十分简单的单页面app。

我创建了“标签查找”的选项,然后提取最受欢迎的标签,使每次查找都可以点击相应选项来搜索。

我用长条图来可视化搜索结果。尝试了Hightcharts和D3(分别为两个JavaScript数据可视化图表库),但是他们只能起到展示作用,在用户响应方面还存在一些问题,而且配置起来很复杂。所以我决定用SVG创建自己的响应式图表,为了使图表可响应,必须针对不同的屏幕旋转方向对其进行重绘。

var w = $('#plot').width(); 
 var bars = "";var imgs = ""; 
 var texts = ""; 
 var rx = 10; 
 var tx = 25; 
 var max = Math.floor(w / 60); 
 var maxPop = 0; 
 for(var i =0; i < max; i ++){ 
 if(i > books.length - 1 ){ 
 break; 
 } 
 obj = books[i]; 
 if(maxPop < Number(obj.pop)) { 
 maxPop = Number(obj.pop); 
 } 
 } 
   for(var i =0; i < max; i ++){ 
 if(i > books.length - 1){ 
 break; 
 } 
 obj = books[i]; 
 h = Math.floor((180 / maxPop ) * obj.pop); 
 dt = 0; 
   if(('' + obj.pop + '').length == 1){ 
 dt = 5; 
 } 
   if(('' + obj.pop + '').length == 3){ 
 dt = -3; 
 } 
   var scrollTo = 'onclick="scrollTo(\''+ obj.id +'\'); return false;" "'; 
 bars += '<rect id="rect'+ obj.id +'" class="cla" x="'+ rx +'" y="' + (180 - h + 30) + '" width="50" height="' + h + '" ' + scrollTo + '>'; 
   bars += '<title>' + obj.name+ '</title>'; 
 bars += '</rect>'; 
   imgs += '<image height="70" x="'+ rx +'" y="220" href="img/ol/jpeg/' + obj.id + '.jpeg" onmouseout="unhoverbar('+ obj.id +');" onmouseover="hoverbar('+ obj.id +');" width="50" ' + scrollTo + '>'; 
 imgs += '<title>' + obj.name+ '</title>'; 
 imgs += '</image>'; 
   texts += '<text x="'+ (tx + dt) +'" y="'+ (180 - h + 20) +'" class="bar-label" style="font-size: 16px;" ' + scrollTo + '>' + obj.pop + '</text>'; 
 rx += 60; 
 tx += 60; 
 } 
   $('#plot').html( 
 ' <svg width="100%" height="300" aria-labelledby="title desc" role="img">' 
 + ' <defs> ' 
 + ' <style type="text/css"><![CDATA[' 
 + ' .cla {' 
 + ' fill: #337ab7;' 
 + ' }' 
 + ' .cla:hover {' 
 + ' fill: #5bc0de;' 
 + ' }' 
 + ' ]]></style>' 
 + ' </defs>' 
 + ' <g class="bar">' 
 + bars 
 + ' </g>' 
 + ' <g class="bar-images">' 
 + imgs 
 + ' </g>' 
 + ' <g class="bar-text">' 
 + texts 
 + ' </g>' 
 + '</svg>');

网页服务失败

Nginx 还是 Apache?

当我发布了 dev-books.com这个网站之后,它有了大量的点击。而Apache却不能让超过500个访问者同时访问网站,于是我迅速部署并将网站服务器调整为Nginx。说实在的,我对于能有800个访问者同时访问这个网站感到非常惊喜!

如果你有任何问题,可以通过twitter(https://twitter.com/VLPLabs )和Facebook(https://www.facebook.com/VLP-Labs-727090070789985/)联系作者。

原文链接:

https://medium.freecodecamp.org/i-analyzed-every-book-ever-mentioned-on-stack-overflow-here-are-the-most-popular-ones-eee0891f1786

【今日机器学习概念】

Have a Great Definition

本文分享自微信公众号 - 大数据文摘(BigDataDigest),作者:文摘菌

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-02-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 未来任何公司终将是科技公司 高盛想要做华尔街的谷歌

    大数据文摘
  • [译]IEEE: 地震预警众包,手机GPS可救命

    大数据文摘
  • 看图识数辨大小,人类独有的“数字感”被机器无意中学习了

    也许我们都记不清了,因为这种直观的数字感是却是人类和动物与生俱来的优势。 与计算机不同的是,当我看到2只小猪或者2个小鸭子和数字符号2在一起时候,我们可能不需要...

    大数据文摘
  • 【干货】找不到适合自己的编程书?我自己动手写了一个热门编程书搜索网站(附PDF书单)

    原作者 Vlad Wetzel 编译 CDA 编译团队 本文为 CDA 数据分析师原创作品,转载需授权 选择适合自己的编程书绝非易事,美国的程序员小哥根据国外著...

    CDA数据分析师
  • 关于今天很热的--FizzBuzzWhizz

    今天早上到现在看到了3篇关于FizzBuzzWhizz的问题,第一篇是@程序媛想事儿(Alexia)【最难面试的IT公司之ThoughtWorks代码挑战——F...

    脑洞的蜂蜜
  • VS2详细设计(一)

    输入端接入计算机的DVI数据源,输出端可以根据用户设定的不同分辨率和帧频输出相应的视频(本设计可以对1920x1080@60Hz,1280x720@60Hz,8...

    瓜大三哥
  • Django开发之简书推荐作者可视化

    折腾了几天,终于完成了第一个web开发项目,其中乐趣多多,坑也是巨多,听我娓娓道来之前,按例给大家上网站链接:

    罗罗攀
  • linq to sql生成not in语句的小技巧

    以前一直觉得linq to sql生成类似where id not in (1,3,5)或where id not in (select id from ......

    菩提树下的杨过
  • 腾讯80页大数据报告: 哪些行业将被颠覆(完整版)

    华章科技
  • 前后端分离项目(微人事)常见部署问题汇总

    公众号后台回复 SpringBoot,免费获取 274 页SpringBoot修炼手册。

    江南一点雨

扫码关注云+社区

领取腾讯云代金券