代碼行數(shù)最多的 Python 項目是什么 我猜你不知道

總是看到有人說，動態(tài)一時爽，重構(gòu)火葬場。

然而這世界上有的是著名的開源項目，也有像 Github、Instagram 這樣流量巨大的知名網(wǎng)站是基于動態(tài)語言開發(fā)的，經(jīng)過了這么多年重構(gòu)，也未聽說哪個作者進了火葬場的，不明白這些人是真的不知道還是裝作看不見呢？不過他們說動態(tài)語言大到一定程度就無法維護，雖然這話也同樣不值一駁，不過也提醒了我，我也很好奇用動態(tài)語言開發(fā)的項目規(guī)模能大到什么程度。

從我知道的信息看，用動態(tài)語言開發(fā)的最大規(guī)模的項目可能要算是OpenStack，據(jù)說代碼總量已經(jīng)達到數(shù)百萬行，并且還在持續(xù)增加中。這當(dāng)然是一個說明動態(tài)語言能力的好例子。不過像這樣巨大的項目，要分析起來也并不容易（好吧，真正的原因是我懶得下載那么龐大的代碼庫）。我選擇了 Python 社區(qū)中比較知名的一些項目來分析，主要是來自 Github ，也有個別來自其他倉庫。這個選擇可能包含了一定的主觀因素在內(nèi)，不過我相信大多數(shù)項目還是非常有代表性的。

計算代碼數(shù)量的工具是cloc。所有項目均選擇截止到 2018 年 1 月 3 日的主干代碼，統(tǒng)計中僅包含 Python 文件，排除了其他文件類型。值得說明的一點是， 通過 Ubuntu APT 默認(rèn)安裝的 cloc 版本 1.60 在統(tǒng)計部分項目的時候存在問題，該問題在最新的版本中已經(jīng)得到解決，因此本文中所有統(tǒng)計均使用從官網(wǎng)下載的 cloc v1.72。

上表已經(jīng)按代碼行數(shù)排了序。有意思的一點是， 代碼規(guī)模最大的前4名中除了 CPython 之外其他三個全部是運維性質(zhì)的項目，本來我猜測代碼應(yīng)該比較多的項目比如 Odoo 排名反而很靠后。我對運維項目了解有限，不太清楚為什么這些項目的代碼規(guī)模會名列前茅，或許是因為要支持的內(nèi)容比較多而雜？

本次統(tǒng)計中純 Python 代碼量最大的 Sentry 幾乎達到了 70W 行，這是相當(dāng)有規(guī)模的項目了。30W~50W 行代碼的項目有三個，包括基礎(chǔ)項目 CPython 在內(nèi)。20W 和 10W 行代碼規(guī)模的分別有三個，剩下 7 個則在 10W 行以內(nèi)?？催^這個列表你應(yīng)當(dāng)相信，動態(tài)語言至少在幾十W行代碼的項目上是完全沒有問題的。這也是絕大多數(shù)普通應(yīng)用的上限了，如果代碼真的達到數(shù)百萬行規(guī)模的話，那么無論用什么語言，都勢必面臨著拆分項目的問題。

上表將代碼量指標(biāo)按照代碼/空白/注釋進行了分類，也在一定程度上反應(yīng)了項目的代碼風(fēng)格。Sentry 是本次統(tǒng)計中代碼量最多的項目，然而從表中可以看到，項目中的注釋和其他項目相比，少得有點不成比例，說明 Sentry 的作者非常不注重注釋。

同學(xué)們一定發(fā)現(xiàn)了，我在列表中除了代碼行相關(guān)的指標(biāo)之外還增加了幾個其他內(nèi)容，這也是我個人比較感興趣的方面。

第一個指標(biāo)是每個文件的平均代碼行數(shù)。按照模塊化的觀點，單個文件中堆砌太多內(nèi)容顯然是不合理的，這通常意味著耦合太多、難于理解和修改。然而到底多少算是合適，并沒有一個明確的標(biāo)準(zhǔn)。我希望通過這些項目的分析，了解一下開源作者們在實踐中做出的選擇。

統(tǒng)計的結(jié)果分布比較平均，從 100~600行/文件的都存在，并不存在明顯的集中點。有趣的是，頭兩名（Pandas, NumPy）有著緊密的聯(lián)系，都是和數(shù)學(xué)統(tǒng)計相關(guān)的。這可能是因為數(shù)學(xué)庫的特點比較純粹而單一，不像其他類庫那樣容易劃分。末尾的項目（Pillow, youtube-dl, Odoo, Scrapy）可以從側(cè)面印證這種猜想：它們都是面向特定領(lǐng)域的，所以更加容易模塊化。

第二個指標(biāo)是注釋和代碼的比例，這個問題也有著類似的情況。注釋并非越詳盡越好，但總是需要一定量的注釋來解釋 Why 的問題。注釋太少，說明項目的作者沒有給后來的維護人員留下足夠的線索，可能會造成維護上的問題。另一方面，我們考察的全部是開源項目，沒有公司考核或者 KPI 的約束，所以我們可以放心的相信不會存在作者故意多寫注釋的問題。前面提到的 Sentry 毫無爭議的因為注釋太少排到了最后，這未必說明這個項目很差，但至少是一個信號，說明該項目在維護方面可能是存在問題的。而對于那些作者愿意投入精力來寫注釋的項目（Ansible, NumPy, Fabric, Salt 等），足以反映作者在項目上投入了相當(dāng)大的心力，這是一個好的信號，說明這些項目是值得信賴的。

有一點是出乎我意料的，那就是作為所有項目之母的 CPython 排名比較靠后，按照道理這個基礎(chǔ)項目應(yīng)該有更多的注釋才對。不過再想一想又覺得可以理解，因為 CPython 有單獨發(fā)布的、非常詳盡的文檔，這是其他大多數(shù)項目都沒有的，那么代碼中的注釋少一些也是情有可原的。

最后一項統(tǒng)計是關(guān)于文件類型的。Python 項目中絕大多數(shù)應(yīng)該是 Python 代碼，這點沒有什么疑問，但同時我也想看看除了 Python 代碼之外，一個項目還包括哪些主要文件。C/HTML/Javascipt 的上榜是毫不意外的，但有一種文件我事先沒有想到，那就是 .PO（開源項目常用的語言資源文件）。對于 Django 和 Django-CMS 這兩個項目, PO 代碼數(shù)量甚至比 Python 代碼還要多。

大概看了一下，Django 支持 90 種以上的語言，這也無怪乎語言文件的數(shù)量如此之多了。這個結(jié)果也可以提醒我們，有些同學(xué)——不僅是程序員，也包括大多數(shù)經(jīng)驗不足的老板、客戶、產(chǎn)品經(jīng)理等——會下意識的認(rèn)為程序開發(fā)無非是寫代碼，對于代碼之外的其他工作，在估算的時候往往只拍腦袋式的定下一個極短的時間。但對于實際的項目來說，代碼僅僅是其中的一部分，"其他工作"有時候——應(yīng)該說是經(jīng)常——會占用你大部分的的時間和精力。

這些工作往往并不有趣，但對于項目來說又是必不可少的組成部分，希望同學(xué)們予以足夠的重視。