Skip to content
forked from baikaishuipp/jcci

Java code commit impact, java code change impact analysis,java代码改动影响范围分析工具

License

Notifications You must be signed in to change notification settings

cjh20130613/jcci

 
 

Repository files navigation

jcci

介绍

Java代码提交影响分析,是一个纯python库,分析Java项目的两次git提交差异对项目的影响,并生成树形图数据。

PYPI: jcci (会落后github几个版本)

软件架构

大致原理同Idea的Find Usage一致,通过代码改动定位代码影响,并不断遍历受影响的类和方法直至找到最上层的controller层

代码主要由python编写,主要涉及2个库:

  • javalang java文件语法解析库
  • unidiff git diff信息解析库

通过javalang语法解析获取每个Java文件的import class extends implements declarators methods 等信息

通过unidiff 解析git diff信息(diff file, added_line_num, removed_lin_num)

然后根据文件增删的代码行去判断影响了哪些类和方法,不断遍历受影响的类和方法直至找到最上层的controller层

通过传入项目git地址 分支 两次的commit id,即可分析出两次commit id之间代码改动所带来的影响,并生成树图数据方便展示影响链路。

安装教程

方式1:pypi安装(会落后github几个版本)
$ pip install jcci
方式2:克隆项目(推荐此种方式)
$ git clone https://github.com/baikaishuipp/jcci.git

使用说明

方式1:pypi安装(会落后github几个版本)

新建python项目,新建python文件,代码如下:

from jcci import jcci

# 同一分支不同commit比较
jcci.analyze('git@xxxx.git','master','commit_id1','commit_id2', 'username1')

方式2:克隆项目(推荐此种方式)

项目克隆下来后,新建python文件,引入jcci项目src目录下的jcci

from path.to.jcci.src.jcci import jcci

# 同一分支不同commit比较
jcci.analyze('git@xxxx.git','master','commit_id1','commit_id2', 'username1')

参数说明:
  • project_git_url - 项目git地址,代码使用本机git配置clone代码,确保本机git权限或通过用户名密码/token的方式拼接url来clone代码。示例:https://userName:password@github.com/xxx.githttps://token@github.com/xxx.git
  • username1 - 随便输入,为了避免并发分析同一项目导致结果错误,用户1分析项目A时,用户B需要等待,所以设置了该参数

运行时,会将项目克隆到目录中,然后进行分析,生成后缀格式为commit_id1...commit_id2.cci的文件,其中包含分析结果生成的树形图数据,下载jcci-result.html ,选择分析结果的.cci文件,即可可通过视图显示。

CCI result

result

CCI result tree view

treeView

参与贡献

  1. Fork 本仓库
  2. 新建 Feat_xxx 分支
  3. 提交代码
  4. 新建 Pull Request

开源不易,如本工具对您有帮助,请点一下右上角 star ⭐ , 谢谢~~~

沟通交流

扫码加微信,备注:JCCI微信群交流

微信交流群

About

Java code commit impact, java code change impact analysis,java代码改动影响范围分析工具

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Python 88.8%
  • HTML 11.2%