Douban-linguist

Douban Linguist

Transcript

1. Douban-Linguist by liluo
2. 关于我 • liluo@github • liluoliluo@douban • liluoliluo@twitter
3. Linguist 是什么?
4. 从视觉上看是这样的 Github 之前的版本 (⺫⽬目前⾖豆瓣在⽤用) Github 现在的版本
5. Douban-linguist 是这样描述的
6. Github-linguist README
7. Linguist 可以做什么 • 编程语⾔言检测 • 语法⾼高亮 • 代码仓库编程语⾔言统计 • 统计时忽略通⽤用第三⽅方库\特定⺫⽬目录代码 • 检测是否⽣生成⽂文件
8. Linguist 是如何检测语⾔言的?
9. • 遍历⺫⽬目录下所有⽂文件 • 忽略以 . 开头的⺫⽬目录, 忽略⼆二进制⽂文件/⽣生成⽂文件(如 coffeescript ⽣生成的 js)/压缩⽂文件(如 jquery.min.js)/通⽤用的第三⽅方类库(如 bootstrap) • 对余下的⽂文件进⾏行分析并汇总 当输⼊入路径是⺫⽬目录时 当输⼊入路径是⽂文件时 • 根据⽂文件扩展名查找(数据源⾃自samples.json, languages.yml) • 未匹配到时返回空(None) • 匹配到⼀一个结果时将其返回 • 匹配到多个结果时分析⽂文件内容
10. 算法: statistical classifier (之前⽂文档中写的是 Bayesian classifier) 分析内容 • 使⽤用 Tokenizer 将内容转为 tokens • 拿 tokens 分别与所有(根据扩展名)匹配到的编程语⾔言的 Tokens 进⾏行⽐比 较, 将概率最⼤大编程语⾔言判定为结果
11. 根据 samples/ ⺫⽬目录下的⽂文件统计(训练) 得来的 编程语⾔言的 Tokens
12. languages.yml & samples.json
13. Douban-Linguist
14. 因为 Code 2012年5⽉月 ! @huanghuang: ! 我们需要两个库 grit 和 linguist
15. 然后...
16. 断篇了.
17. 时光荏苒, 莺⻜飞草⻓长 到了 2013年01⽉月
18. 准备⼯工作
19. Ruby Python 替代 # pygments.rb pygments ! 前者是后者的 Ruby 封装实现 mime-types mimetypes Python 内置 escap_utils urllib 毫⽆无鸭梨 charlock_holmes ? 先⾛走着 计划时对依赖处理是这样想的
20. 开始动⼿手 • git init • cp blabla • added blabla • unittest blabla
21. Code 来需求了!!! • 移动组: PR diff 中不需要显⽰示 .pbxproj, .mobileprovision • 前端组: 统计时不计⼊入压缩版本以及 coffeescript ⽣生成⽂文件 判断是否⽣生成⽂文件
22. 先把这个弄了给它⽤用
23. 继续~
24. 遭遇 CharlockHolmes
25. • 尝试过 Chardet, 但是只能检测编码 • 尝试过 mimetypes.guess_type(file) 检测 是否⼆二进制⽂文件, 不靠谱!!! • 还尝试过下⾯面这样:
26. 但是好纠结... 要是有 ICU 的 Python 实现就美好了... 好像是能解决? 可是不会写 C 扩展 > . < 求给⼒力, 求 + 1
27. @XTao 来了!!!
28. 发布第⼀一个版本 v0.0.1
29. Python mimetypes 怪怪的 此恨绵绵⽆无绝期...
30. 移植⼀一个 Python 版本吧
31. Github custom lexers(pygments.rb)
    
32. 写个 Pygments 插件
33. 某天发现性能好差!!! • ⽐比 Github-linguist 慢了 2~4 倍多 (不太记 得具体数据了) • 跑 unittest 要 20s 左右
34. 捉⿁鬼(1)
35. 捉⿁鬼(2)
36. 捉⿁鬼(3)
37. 捉⿁鬼(4)
38. • 和 @xtao 讨论是 Python 正则性能问题 • 需要⼀一个⾼高性能的 Python 版本的 StringScanner 捉⿁鬼(5)
39. 于是, 有了 scanner Like 不只是说说, 正则引擎使⽤用 oniguruma. (Ruby 正则引擎就是它)
40. Scanner 带来的性能提升 Travis-ci 中使⽤用 Scanner 前后对⽐比 github-linguist 与使⽤用 Scanner 后的douban-linguist 对⽐比 注: 减少的 22 个 test case ⻅见 https://github.com/douban/linguist/blob/eba200742c9f7ebd433b7aa73774381b80ddb0fa/tests/test_strscan.py
41. 感谢 Scanner 的作者 赞美 Code Team, @XTao!!!
42. 发布版本 v0.1.0
43. ⻢马上就讲完了, 别捉鸡...
44. Douban-linguist 最新进展 在等 Pygments release 新版本
45. 与 Github-linguist 作者 • Drinkup • Pull Request
46. 2013 Drinkup@北京 • 咨询 Linguist 与 Github 交互实现 ! ! • 问我 Python 版有没⽐比 Ruby 快 ! • 告诉他提了个 pull request PUSH > HOOK > QUEUE > (PULL) > CALCULATE > CALLBACK
47. 提 Pull Request (1) Drinkup 当天晚上被 merge
48. 提 Pull Request (2)
49. 提 Pull Request (3)
50. 就是这样了.
51. 相关链接 • https://github.com/douban/linguist • https://github.com/douban/PyCharlockHolmes • https://github.com/liluo/mime • https://github.com/liluo/pygments-github-lexers • https://github.com/cuteio/scanner • https://github.com/github/linguist
52. End.