文本分析了4000萬條Stack Overflow討論帖，這些是程序員最推薦的編程書（附代碼）
作者：xixi、吳雙、Aileen編譯
程序員們都看什么書?他們會向別人推薦哪些書?本文作者分析了Stack Overflow上的4000萬條問答，找出了程序員們最常討論的書，同時非常慷慨地公開了數據分析代碼。讓我們來看看作者是怎么說的吧。
程序員們都看什么書?他們會向別人推薦哪些書?
本文作者分析了Stack Overflow上的4000萬條問答，找出了程序員們最常討論的書，同時非常慷慨地公開了數據分析代碼。讓我們來看看作者是怎么說的吧。
尋找下一本值得讀的編程書是一件很難，而且有風險的事情。
作為一個開發者，你的時間是很寶貴的，而看書會花費大量的時間。這時間其實你本可以用來去編程，或者是去休息，但你卻決定將其用來讀書以提高自己的能力。
所以，你應該選擇讀哪本書呢?我和同事們經常討論看書的問題，我發現我們對于書的看法相差很遠。
幸運的是，Stack Exchange(程序員最常用的IT技術問答網站Stack Overflow的母公司)發布了他們的問答數據。用這些數據，我找出了Stack Overflow上4000萬條問答里，被討論最多的編程書籍，一共5720本。
在這篇文章里，我將詳細介紹數據獲取及分析過程，附有代碼。
- “被推薦次數最多的書是Working Effectively with Legacy Code《修改代碼的藝術》，其次是Design Pattern: Elements of Reusable Object-Oriented Software《設計模式：可復用面向對象軟件的基礎》。
- 雖然它們的名字聽起來枯燥無味，但內容的質量還是很高的。你可以在每種標簽下將這些書依據推薦量排序，如JavaScript, C, Graphics等等。這顯然不是書籍推薦的終極方案，但是如果你準備開始編程或者提升你的知識，這是一個很好的開端。”
——來自Lifehacker.com的評論
獲取和輸入數據
我從archive.org抓取了Stack Exchange的數據。(https://archive.org/details/stackexchange)
從最開始我就意識到用最常用的方式(如 myxml := pg_read_file(‘path/to/my_file.xml’))輸入48GB的XML文件到一個新建立的數據庫(PostgreSQL)是不可能的，因為我沒有48GB的RAM在我的服務器上，所以我決定用SAX程序。
所有的值都被儲存在這個標簽之間，我用Python來提取這些值：
- 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)
- )
- );
在數據輸入進行了三天之后(有將近一半的XML在這段時間內已經被導入了)，我發現我犯了一個錯誤：我把“ParentId”寫成了“ParentID”。
但這個時候，我不想再多等一周，所以把處理器從AMD E-350 (2 x 1.35GHz)換成了Intel G2020 (2 x 2.90GHz)，但這并沒能加速進度。
下一個決定——批量輸入：
- 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讓你可以用一個文件作為變量來執行copy_from這個函數，這個函數可以執行COPY(復制)命令。用這個方法，執行所有的輸入過程只需要一個晚上。
好，是時候創建索引了。理論上，GiST Indexes會比GIN慢，但它占用更少的空間，所以我決定用GiST。又過了一天，我得到了70GB的加了索引的數據。
在試了一些測試語句后，我發現處理它們會花費大量的時間。至于原因，是因為Disk IO需要等待。使用SSD GOODRAM C40 120Gb會有很大提升，盡管它并不是目前最快的SSD。
我創建了一組新的PostgreSQL族群：
- initdb -D /media/ssd/postgresq/data
然后確認改變路徑到我的config服務器(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
重新加載config并且啟動postgreSQL：
- systemctl daemon-reload postgresql systemctl start
- postgresql
這次輸入數據用了幾個小時，但我用了GIN(來添加索引)。索引在SSD上占用了20GB的空間，但是簡單的查詢僅花費不到一分鐘的時間。
從數據庫提取書籍
數據全部輸入之后，我開始查找提到這些書的帖子，然后通過SQL把它們復制到另一張表：
- CREATE TABLE books_posts AS SELECT * FROM posts WHERE body LIKE ‘%book%’”;
下一步是找的對應帖子的連接：
- CREATE TABLE http_books AS SELECT * posts WHERE body LIKE ‘%http%’”;
但這時候我發現StakOverflow代理的所有鏈接都如下所示:
- rads.stackowerflow.com/[$isbn]/
于是，我建立了另一個表來保存這些連接和帖子：
- CREATE TABLE rads_posts AS SELECT * FROM posts WHERE body LIKE ‘%http://rads.stackowerflow.com%'";
我使用常用的方式來提取所有的ISBN(國際標準書號)，并通過下圖方式提取StackOverflow的標簽到另外一個表：
- regexp_split_to_table
當我有了最受歡迎的標簽并且做了統計后，我發現不同標簽的前20本提及次數最多的書都比較相似。
我的下一步：改善標簽。
方法是：在找到每個標簽對應的前20本提及次數最多的書之后，排除掉之前已經處理過的書。因為這是一次性工作，我決定用PostgreSQL數組，編程語言如下：
- 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;
既然已經有了所需要的數據，我開始著手建立網站。
建立網站
因為我不是一個網頁開發人員，更不是一個網絡用戶界面專家，所以我決定創建一個基于默認主題的十分簡單的單頁面app。
我創建了“標簽查找”的選項，然后提取最受歡迎的標簽，使每次查找都可以點擊相應選項來搜索。
我用長條圖來可視化搜索結果。嘗試了Hightcharts和D3(分別為兩個JavaScript數據可視化圖表庫)，但是他們只能起到展示作用，在用戶響應方面還存在一些問題，而且配置起來很復雜。所以我決定用SVG創建自己的響應式圖表，為了使圖表可響應，必須針對不同的屏幕旋轉方向對其進行重繪。
- 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>');
網頁服務失敗
當我發布了 dev-books.com這個網站之后，它有了大量的點擊。而Apache卻不能讓超過500個訪問者同時訪問網站，于是我迅速部署并將網站服務器調整為Nginx。說實在的，我對于能有800個訪問者同時訪問這個網站感到非常驚喜!
責任編輯：未麗燕
來源：
大數據文摘
