【IT168 资讯】 GitHub是一个可以代码共享的平台，因此网站上一定数量的重复代码是可以理解的。然而，最近的研究表明，GitHub上有超过70%的代码都是重复的。本次调查中，Java在原创性上赢了一把，但所有被调查到的语言都有着数量惊人的抄袭项目。

　　一个由UC Irvines组成的国际研究小组，着手研究了复制过多次的代码发生了哪些变化。随着分析结果的出现，“惊人的”重复率改变了代码的重点。

　　研究人员分析了4.28多亿个文件，其中有450万个非fork项目是用Java、C ++、Python和JavaScript编写的。其中只有8500万个文件不存在高重复率。总而言之，GitHub上有超过70%的代码，是由之前创建的文件复制组成。

　　最原始的代码有多少?

　　有趣的是，编程语言之间有相当大的差异。一些语言拥有数量庞大的粉丝群体，一些则门可罗雀。

　　根据Lopez等人的说法，数据结果令人大跌眼镜。JavaScript的文件重复率最高，只有6%的文件是原创文件。相比之下C ++和Python起得情况要好一些，分别为23%和28%。其中最突出的是Java，大约拥有60%的原创文件。

　　以上是他们的代码重复图。Y轴表示每个项目提交的次数; X轴表示项目中文件的数量。每个tile的值是tile中所有项目的重复文件百分比。红色的阴影意味着项目的高重复率。

　　项目级别分析结果表明，在9%到31%的项目中，至少有80%的文件与其他项目文件重复。

　　研究人员挖掘了最重要的项目数据;即不做任何更改，批量复制的文件。

　　* Java - Minecraft-API和PhoneGap;

　　* C ++ - GNU ISO C ++库，作业模板和Arduino示例;

　　* Python - Cactus，Shadowsocks，Scons;

　　* JavaScript - Adobe PhoneGap的Hello World Template7。

　　Copy泛滥

　　研究人员非常清楚，对某些在GitHub上寻求“随机抽样”数据集的数据科学家来说，这个调查可谓是一个严重警告。

　　为了解决Copy的问题，研究小组创建了DéjàVu，一个Copy信息检索和简单的源代码/项目/数据集分析的网络服务，可以用于监测在GitHub上用重复率高的Java、C ++、Python和JavaScript文件。