在《重复代码检测-背景、方法与工具》一文中，已经谈到了重复代码产生的原因，以及检测重复代码的一些方法和工具。这篇文章我们尝试来分析一下检测工具出具的报告。因为检测工具出具的报告主要包括重复代码的位置，并没有一下统计的信息。无论从项目整体考虑的角度，还是给老大们的报告的角度，我们都需要一些整理后的数据，最好是图表，可以直观地看出代码的一些问题。
这里我们以Simian为例来进行分析。Simian是一个基于字符串的重复代码检测工具。特点是基本无限制地支持所有语言，速度非常快。Simian的安装参考<A title=http://www.harukizaemon.com/simian/installation.html href="http://www.harukizaemon.com/simian/installation.html">http://www.harukizaemon.com/simian/installation.html。在VS中安装Simian插件，参考http://www.dotblogs.com.tw/hatelove/archive/2011/12/07/how-to-find-duplicate-code-by-simian.aspx。它还支持Ant、InteliJ。如果你对二次开发感兴趣，可以基于其提供的Java接口进行更多的定制开发。
我们这里简单介绍一下：
Simian的命令行参数-formatter可以指定输出的格式。为了方便后面的处理，我们让它生成xml格式的文件（-formatter=xml）。结构化的文件使用正则表达式+Perl脚本很容易处理。
-threshold可以指定检测重复代码的标准。只有大于等于这个数字的重复代码行才会被视为是重复代码。
开启-reportDuplicateText参数可以输入重复的代码段，这样子非常直观的可以在输出报告中就看到重复的代码。
通过文件匹配符。比如**/*.cpp，就是文件夹下所有cpp文件，包括所有的子文件夹。
加上需要的参数（E:\Software\simian-2.3.35\bin\simian-2.3.35.exe -formatter=xml -reportDuplicateText -balanceSquareBrackets -balanceParentheses E:\Software\simian-2.3.35\bin\test.cpp > E:\Software\simian-2.3.35\bin\test.xml），执行出来的结果可能类似于：
test.cpp
TiXmlString operator - (const char* a, const TiXmlString & b)
{
TiXmlString tmp;
TiXmlString::size_type a_len = static_cast<TiXmlString::size_type>( strlen(a) );
tmp.reserve(a_len + b.length());
tmp.append(a, a_len);
tmp += b;
return tmp;
}
TiXmlString operator + (const char* a, const TiXmlString & b)
{
TiXmlString tmp;
TiXmlString::size_type a_len = static_cast<TiXmlString::size_type>( strlen(a) );
tmp.reserve(a_len + b.length());
tmp.append(a, a_len);
tmp += b;
return tmp;
}test.xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet href="simian.xsl" type="text/xsl"?>
<simian version="2.3.35">
<check balanceParentheses="true" balanceSquareBrackets="true" failOnDuplication="true" ignoreCharacterCase="true" ignoreCurlyBraces="true" ignoreIdentifierCase="true" ignoreModifiers="true" ignoreStringCase="true" reportDuplicateText="true" threshold="6">
<set lineCount="6">
<block sourceFile="E:\Software\simian-2.3.35\bin\test.cpp" startLineNumber="13" endLineNumber="18"/>
<block sourceFile="E:\Software\simian-2.3.35\bin\test.cpp" startLineNumber="3" endLineNumber="8"/>
<text>
<![CDATA[ TiXmlString tmp; TiXmlString::size_type a_len = static_cast<TiXmlString::size_type>( strlen(a) );
tmp.reserve(a_len + b.length());
tmp.append(a, a_len);
tmp += b;
return tmp;
]]>
</text>
</set>
<summary duplicateFileCount="1" duplicateLineCount="12" duplicateBlockCount="2" totalFileCount="1" totalRawLineCount="20" totalSignificantLineCount="14" processingTime="686"/>
</check>
</simian>XML的最后给出了一个总结报告。里面的duplicateLineCount和duplicateBlockCount比较难理解。特别是存在多余两个代码块重复，并且重复的行数不一样的时候，如果你对Simian的计算机制有兴趣，可以写一些例子尝试下。我们只能推测它的计算方法，因为Simian并不开源。
从这个报告中，可以看到一些信息：
1. <set lineCount="6">…</set>表示了重复的代码段有多少行。它是大于等于我们设置的threshold的。
2. <block sourceFile="file" startLineNumber="n" endLineNumber="m"/>表示了重复代码所在的文件，以及重复代码开始和结束的行号。
3. duplicateLineCount表示了总共有多少重复的代码行。上面的例子，我们计算一些重复代码所占的比率duplicateLineCount/totalSignificantLineCount=12/14=85.71%。直观的感觉有点偏大。的确是这样，在真正的项目代码上，由于存在一块代码满足不同threshold的重复的时候，会计算过多的代码行，进而导致重复代码所占的比率偏高。这个数据虽然可以解释，但是很容易让人迷糊。我们可以考虑把它作为衡量重复代码的一个标准，但需要大家都理解背后的计算原理。
信息1给我们一个启示，我们可以统一每个lineCount下有多少个重复的Block。直观地感受，应该是lineCount越大，重复的Block数目应该越小，因为程序员不大可能写出重复很多行的代码；lineCount越小，重复的Block数目应该越多，因为这种重复的可能性越高。我绘制了一个项目的数据图：
面对上面的数据，我们希望横轴不能再增加，不能出现新的重复代码块，或者更大的重复代码块。纵轴上，我们希望不会再增加。
信息2给了我们重复代码位于哪些文件当中。而文件肯定是属于某个Component的，因此我们分析每个Component中重复的代码。单位可以是行数，也可以是块数。我绘制了一个项目的数据图：
上面的数据，如果Component的重复高，我们就要反思是不是出现了代码腐化，是不是修改的时候欠缺考虑。
通过这些数据，我们希望看到的是代码存在的问题。价值不在于找到我们重构的地方，而在与我们开始量化重复代码，及代码的质量。有了量化的标准后，我们就可以追踪代码质量的变化，进而避免恶化腐化的发生。
