GitHub 数据集示例

1001 个 GitHub 代码仓库的示例数据集

一个包含 1000+ 个代码仓库的 GitHub 数据集示例。该数据集使用Bright Data API提取。

数据集中包含的部分数据点：

• url: 仓库网页地址
• id: 仓库唯一 ID
• code_language: 主要编程语言
• code: 仓库源代码
• num_lines: 代码总行数
• user_name: 仓库所有者用户名
• user_url: 所有者个人主页 URL
• size: 仓库大小
• size_unit: 仓库大小单位
• size_num: 仓库大小数值
• breadcrumbs: 仓库导航路径
• num_issues: Issue 总数
• num_pull_requests: Pull Request 总数
• num_projects: 关联项目数量
• num_fork: Fork 数
• num_stared: Star 数
• last_feature: 最新特性变更
• latest_update: 最近一次更新日期

以及更多数据点。

这是从 “GitHub Repositories（公开数据）” 数据集中派生的样本子集，完整数据集包含超过2,200,000 个仓库。

可用的数据集文件格式：JSON、NDJSON、JSON Lines、CSV 或 Parquet。可选支持 .gz 压缩。

数据集交付方式选项：电子邮件、API 下载、Webhook、Amazon S3、Google Cloud Storage、Google Cloud Pub/Sub、Microsoft Azure、Snowflake、SFTP。

更新频率：一次性、每日、每周、每月、每季度，或自定义频率。

可提供基于提取数据点的增强/富化服务：按需提供。

获取完整的 GitHub 数据集。

GitHub 数据集有哪些使用场景？

1. 开发者参与度

通过跟踪提交历史、Pull Request 与 Issue 讨论等数据点，了解开源项目的活跃度与健康状况。该数据有助于企业识别高影响力项目、监测趋势并发现与开源社区的合作机会。

2. 社区参与度

通过分析 Star 与 Fork 等指标评估开源项目的受欢迎程度与社区支持度。企业可据此了解哪些项目正在获得关注，从而在技术选型与趋势判断上做出更明智的决策。

3. 社区倡导

利用公开的 GitHub 个人资料数据促进社区参与与倡导。识别在您领域内对仓库进行 Star、Fork 并积极贡献的用户，构建倡导者网络，以扩大项目影响力并推动协同创新。

为学术研究者与非政府组织提供免费的爬虫工具与数据集访问

Bright Initiative 为领先的学术院系与研究者、以及推动各类环境与社会公益事业的 NGO/NPO，提供对 Bright Data 的Web Scraper API与即用型数据集的访问。您可以在此处提交申请。