Git 已经成为了代码版本控制的事实标准。虽然 Git 已经很流行了，但想用它来对源代码仓库的历史和内容进行深度分析，仍然是一件复杂的事情。

另一方面，SQL 则是一个经过实际检验、适合查询大型代码库的的语言，毕竟 Spark 和 BigQuery 等项目都采用了 SQL 作为查询语言。

因此，在 source{d} 公司，我们顺理成章地结合了这两种技术来创建了 Gitbase：这是一个用 SQL 对 Git 仓库进行大规模分析的“代码即数据”解决方案。

Gitbase是一个完全开源的项目，它站在一系列巨人的肩膀上，是它们使 Gitbase 的发展成为可能。本文旨在指出其中的主要部分。

​​Gitbase 试验场​​​提供了一种使用 Gitbase 的可视化方式。

使用 Vitess 解析 SQL

Gitbase 将 SQL 作为用户接口。这意味着我们需要解析基于 MySQL 协议传输的 SQL 请求，并理解它们。幸运的是，我们在 YouTube 的朋友和他们的​​Vitess​​项目已经实现了这一点。Vitess 是一个数据库集群系统，用于 MySQL 的水平扩展。

我们直接截取一些重要的代码片段，并把它做成了一个​​开源项目​​。这个项目允许任何人在几分钟内编写一个 MySQL 服务器（正如我在​​justforfunc​​的专题：​​CSVQL - 用 SQL 处理 CSV​​中所展示的那样）。

用 go-git 读取 Git 储存库

当成功解析了一个请求，我们还需要读取数据集里的 Git 仓库，才能够知道该如何回复它。为此，我们集成了 source{d} 最成功的仓库​​go-git​​。go-git 是一个高度可扩展的纯 Go 语言的 Git 实现。

这使得我们能够轻松地分析以​​siva​​文件格式存储在磁盘上的源代码仓库（siva 也是一个 source{d} 的开源项目），或是直接使用​​git clone​​克隆的仓库。

使用 Enry 检测编程语言，使用 Babelfish 解析文件

Gitbase 并没有将其分析能力局限于 Git 历史记录上。它还使用（显然也是）我们的开源项目​​Enry​​集成了语言检测功能，并使用​​Babelfish​​实现了程序解析的功能。Babelfish 是一个用于通用源代码解析的自托管服务器，它可以将代码文件转化为通用抽象语法树Universal Abstract Syntax Trees（UAST）。

这两个功能在 Gitbase 中呈现为用户函数​​LANGUAGE​​和​​UAST​​。结合使用两个函数，许多查询请求都成为了可能，比如“找到上个月修改次数最多的函数名称”。

让它快速运行

Gitbase 经常要分析非常大的数据集，比如公共 Git 档案，其中有来自 GitHub 的 3TB 源代码（见​​公告​​）。为了做到这一点，每份 CPU 处理能力都很重要。

这就是为什么我们又集成了另外两个项目：Rubex 和 Pilosa。

使用 Rubex 和 Oniguruma 加快正则表达式的速度

​​Rubex​​是 Go 的​​regexp​​标准库包的一个准替代品。之所以还不能完成替代，是因为他们没有在​​regexp.Regexp​​类型上实现​​LiteralPrefix​​方法，不过我也是直到现在才听说这个方法。

Rubex 的高性能得归功于高度优化的 C 语言库​​Oniguruma​​，它使用​​cgo​​来调用这个库。

使用 Pilosa 索引加快查询速度

索引基本上是每个关系型数据库的众所周知的特性，但 Vitess 却没有实现索引，因为它不是真正需要。

还好开源的​​Pilosa​​再一次拯救了我们，它是一个用 Go 实现的分布式位图索引，使得 Gitbase 可以用于大规模的数据集。Pilosa 是开源的，它极大地加快了对多个海量数据集的查询。

总结

我想通过这篇博文，亲自感谢开源社区，是他们让我们在如此短的时间内创建了 Gitbase，这是谁也没想到的。在 source{d} 公司，我们是开源的坚定信仰者，​​github.com/src-d​​下的每一行代码（包括我们的 OKR 和投资者委员会）都可以证明这一点。

你想尝试一下 Gitbase 吗？最快、最简单的方法就是使用 source{d} 引擎。从​​sourced.tech/engine​​下载它，只需一个命令就能让 Gitbase 运行起来。

想了解更多吗？请查看我在​​Go SF meetup​​的演讲录音。