github如何找出一个项目的语言？

我最近正在使用JavaScript和C ++进行github项目，并注意到github将项目标记为C ++。如果你必须select一种语言，这可能是正确的名称，因为C ++代码被编译为一个JavaScript库，但这使我想知道…如何github找出什么语言来标记每个项目？

2013年4月更新，由nuclearsandwich （GitHub支持团队或“supportocat”）提供：

帮助页面“ 我的存储库被标记为错误的语言 ”提到现在使用语言库来确定语法高亮和回购统计的文件语言。语言学家将从统计中排除某些文件名和path，排除某些供应商文件和目录。
帮助页面“ 为什么不是我最喜欢的语言被认可？ ”补充说：

如果您所需的语言没有收到语法突出显示，您可以贡献给语言学家库添加它。

（原文，2012年10月）

GitHub支持上的这个线程解释了它：

它只是总结每个扩展名的文件大小。最大的一个“胜利”。

我们希望避免打开文件并parsing它们的内容，因为两者都会减慢进程速度……但是这可能是解决像这样的冲突的唯一方法。

由于这不是100％准确的，所以导致一些增加：

我也会投票给一个简单的手动覆盖开关的情况下，猜测是错误的。

注意：正如Mark Rushakoff在他的回答中提到的那样，从那时起语言学家项目（2011年6月开放），猜测得到了更好的结果。
你可以看到仍然有问题： GitHub语言问题。
在这里看到更多的细节：

一旦语言被检测到，它就被传递给白皮书，一个Pygments包装器，它实际上语法高亮。

您可以在.gitattributes文件中添加语言指令 。

目前，Github的语言学项目就是用来确定语言统计数据的，就像这个Github博客文章所描述的那样（这个问题最初被问到几个月后才出现）。

首先，知道你可以使用语言覆盖替代你的仓库中的文件检测到的语言。

现在，简而言之，

语言学家如何检测语言？

语言学家依次依靠以下策略，并在find完美匹配时立即返回语言（返回单一语言的策略）。

寻找Emacs和Vim模式。
已知的文件名。一些文件名与特定语言相关联（认为Makefile ）。
找一个shebang。带有#!/bin/bash文件的文件将被分类为Shell。
已知的文件扩展名。语言有一组与其关联的扩展。然而，与这一战略有很多冲突。相互矛盾的结果（思考C ++，C和Objective-C中的.h ）被随后的策略细化。
一组启发式规则。他们通常依靠文件内容的正则expression式来尝试和识别语言（例如， ^[^#]+:-对于Prolog ）。
训练样本文件的朴素贝叶斯分类器。最后的策略，准确性最低。贝叶斯分类器总是将语言的子集作为input; 这并不意味着要在所有的语言中进行分类。返回分类器find的最佳匹配。

什么是unvendored和文档文件？

语言学家认为一些文件是有价值的 ，这意味着它们不包括在语言统计中。这些包括第三方库，如jQuery，并在vendor.ymlconfiguration文件中定义。您也可以使用语言覆盖来在您的存储库中供应商或销售商文件。

同样，文档文件在documentation.yml中定义，并且可以使用语言覆盖来更改。

如何检测生成的文件？

语言学家依靠简单的规则来检测生成的文件，同时使用文件的path和内容。生成的文件不计入语言统计中，不会在github.com上以差异显示。

编程和标记语言呢？

在语言学家中，每种语言都是一种types。这些types可以在主configuration文件languages.yml 。只有编程和标记语言统计在内。

经过一些修改语言学家后，我已经注意到了这一点。

对于具有Shebang的文件， Shebang在确定语言时被考虑，但是似乎被其他标记统一加权。这似乎是一个很大的错误，因为Shebang应该明确定义文件的语言。

这可能会导致突出显示的问题。

文件扩展名是我首先想到的。