作者|张志阳
代码覆盖率是业内常用的统计代码被执行程度的手段。覆盖率数据结果是对测试工作的一种保证，可以赢得信任、增加上线信心。今天就让我们来聊聊 转转App代码覆盖率方案的实现及应用，希望可以给大家带来一些思路和参考。
目的
在转转客户端团队，搭建代码覆盖率方案的主要目的：
通过代码被执行的比例程度，表现测试工作的覆盖程度
通过未覆盖内容的分析&补充测试，保证测试覆盖程度
通过分析无法覆盖的内容，判断代码设计的合理性
这里需要补充强调一点：覆盖率只是一种度量测试完整性的手段, 是一种测试有效性的度量，代码覆盖率100%也并不代表不会有其他的问题。
方案选择
当我们想实现一套专项测试方案的时候，首先都会想到“在业内有没有公开的、流行的、可用的方案，可供参考或者 直接可以”拿来主义”。
首先，我们可以在搜索引擎、论坛上去进行搜索 “App代码覆盖率”, 结果发现每种语言都有自己的覆盖率数据收集方式。
比如现在服务端代码覆盖率使用的Jacoco，是一套非常成熟的Java 方案。
python 、C++、OC 也都有自己体系的覆盖率收集方案，但并没有Jacoco 那么方便集成。更没有已经将多种语言的覆盖率统计集成在一起的方案。
在调研&对比几种方案后，都会发现了一些缺点、功能缺失 和不方便使用的地方，所以开始考虑，能否从0实现一套完全适用自己团队的代码覆盖率方案。
方案构思
在常见的代码结构中，“行”是代码工程的最小单元，所以想要实现代码覆盖率方案来统计代码的被覆盖程度，首先我们应该都会想到，我们需要统计所有“代码行”的覆盖情况，“行”应该是最小的统计单元。
在大家日常的测试工作中，应该经常会做 埋点测试，简单的说，就是通过埋点代码记录某个页面入口/操作/事件 的触发 或者结果的返回，当页面入口/操作/事件 被触发后，记录&上报，埋点系统统计计数，进行业务层次的数据分析。
这和我们当前要实现的代码覆盖率方案需求有些类似，我们想要在代码行被执行后，进行记录&上报，覆盖率系统进行统计，进行代码层次的数据分析，与埋点对比，代码覆盖程度更广一些，但是实现的方式是比较类似的，就是在需要关注的 代码/事件后增加 用于“记录”的代码块，这种添加代码的方式，就是常说的“插桩”（* 基本的原则：保证被测程序原有逻辑的完整性），插入的代码块一般称之为“探针”。
所以想要实现一套代码覆盖率方案的基础就是：
在保证被测App原有代码逻辑的完整性的前提下，通过代码插桩的方式，在每行源代码后插入“探针”代码，记录对应代码行已被执行
将记录的代码覆盖数据上报给覆盖率服务
覆盖率服务 将数据进行保存 & 合并计算
结合团队内的实际方案需求，我们需要先实现以下部分：
实现Android、iOS工程的代码插桩
探针代码被执行时 记录对应代码的执行状态
为了统一Android 、iOS 覆盖率数据的计算及使用方式，需要统一记录时使用的数据结构
代码执行状态数据上报、接收、存储
数据合并计算、存储
实现
1、插桩：
（1）需要解决的难点
难点1: 准确插桩，保证被测App原有代码逻辑的完整性
在日常看到的代码中我们发现，不同的语言，会对代码格式/语法都有不同的要求/规范，每个人在写代码时的习惯也有所不同
在不对代码内容进行语义分析就进行随意插桩，可能会导致编译失败/ 影响原有代码逻辑
语义分析需要对 代码格式/语法 有足够的掌握程度 & 大量的尝试保证语义分析的足够全面
难点2: 所有代码行都进行插桩，会不会影响客户端性能
答案是必然的，当前客户端的代码量，至少已经是百万级别了
如果在每行代码前后插入探针代码、在App实际运行过程中、频繁的IO运算工作，App的 稳定性、性能都不敢保证
（2）解题方案
准确插桩，保证被测App原有代码逻辑的完整性
由客户端RD同学负责插桩方案的具体实现，即高效又可靠
Android: 使用 ASM 对字节码进行分析 ，再进行准确插桩
iOS: 通过语义分析，判断插桩位置，再进行准确插桩
所有代码行都进行插桩，会不会影响客户端性能
初期方案，我们选择先对逻辑分支进行插桩，大量减少插桩量
优点：控制了插桩数量，减少了对工程性能的影响
弱点：只能采集到进入分支，不能判断分支结束；不能按行统计计算， 不能结合Code Diff 直接判断 新增/修改代码的覆盖情况
（3）插桩前后代码对比
Android
iOS
（4）探针代码解读
标记逻辑分支被执行(逻辑分支全局编号)
全局编号从哪来？
在遍历所有类文件时，对识别出的逻辑分支进行编号
插入位置怎么获得
Android：字节码中有行号的描述，通过ASM解析可以获取
iOS：代码遍历，判断出逻辑分支时，就已经知道当前行行号
（5）插桩流程
获取方法路径和方法签名(用于多个tag之间逻辑块执行数据的比较和合并)
方法路径：类名+方法名可以确定当前工程中一个唯一的方法：
com.wuba.zhuanzhuan.activity.AboutZhuanzhuanActivityonCreate(Landroid/os/Bundle;)
方法签名：对方法内的所有字节码做MD5编码，如果方法逻辑有修改（增减）,那么签名就会变化
Tag间对比：如果相同方法路径的签名有变化，则认为该方法内的所有逻辑分支都需要重新覆盖测试
找到逻辑块
获取逻辑块行号
逻辑块编号
将方法路径、方法签名、逻辑块信息存入methodMapping文件
插桩结束后，将methodMapping文件上传到服务器
2、记录代码被执行：
（1）数据存储：为了不影响原始代码的执行效率，探针代码执行记录数据的读写效率必须得到保证，所以我们的选择是：
Android：使用字节数组(Bitset) 存储 探针代码执行记录数据
iOS : 在内存中申请指定长度的数组空间 存储 探针代码执行记录
数组长度？
逻辑块编号完成后，可以知道逻辑块总数，一个字节可以存储8个逻辑块编号，即可计算出需要的数组长度
大约会占多少空间？
EXP: 20W 逻辑块 = 2W5 (20W / 8) 字节 = 24.4KB (2W5 / 1024)
（2）探针代码被执行：
探针代码中，入参就是 逻辑块 在所有逻辑块的中编号
将数组中编号对应的位 置为 1 ， 代表已覆盖
3、数据上报、接收、存储：
（1）什么时候上报数据
如果频繁上报，可能会影响App的正常使用，也并没有必要。所以考虑在一些 察觉不到/不太Care的 操作节点进行数据上报。
Android：页面的创建、不可见、销毁 时 上报
iOS：App 启动、退后台、唤醒 时上报
（2）上报哪些内容
project: 与 代码覆盖率服务约定的唯一 覆盖率项目名，区分终端，如zhuanzhuanAndroid / zhuanzhuanIos
version: 版本号
uniqueId: methodMapping 文件上传时时间戳，文件的唯一标识
record: 数组数据
（3）数据存储
服务端接收数据后，根据project、version、uniqueId，查询出记录的 record数据，与上报的record 数据 做按位或计算，即 只要有1出现，该位即为1，已覆盖，再将结果存储起来
所以覆盖率数据都是按 uniqueId 进行区分存储的，即每个安装包的覆盖率数据都单独存储。
4、数据合并计算：
（1）两个安装包的覆盖率数据如何合并
数据库中存储的覆盖率数据是每个安装包的数据以及基础信息，当两个安装包并不是同一个Tag，有代码差异的时候，是不能直接进行按位或计算合并数据的。
这时 methodMapping文件就起到了作用。查找到两个安装包对应的methodMapping文件，对其中的内容进行解析，就可以分别获得两个安装包中的所有类名、方法名、方法签名等信息. 通过循环对比，即可进行数据合并：
为了区分两个不同Tag的安装包，方便后续描述的理解，这里将Tag创建时间较早的安装包称之为Old, 将Tag创建时间较晚的安装包称之为New.
遍历New 的Mapping数据
如果Old 的Mapping数据中 有相同的方法签名，则方法内部的所有逻辑分支进行被执行状态的合并计算
如果Old 的Mapping数据中没有相同的方法签名，则认为该方法为新增/修改过的方法，被执行状态以 New 的覆盖率数据为准
最终会得到以New 的代码为准的覆盖率数据，即相对较新代码的整体覆盖率数据
（2）要合并哪些安装包
我们存储了那么多安装包的覆盖率数据，那么在实际的客户端迭代流程中，我们应该合并哪些安装包的数据，才可以帮助我们进行分析，实现我们的方案目的呢？
我们对 单次打包纬度、单Tag纬度、版本纬度、分支纬度 几种统计纬度进行了利弊分析&对比，最后我们选择使用分支纬度进行覆盖率数据的汇总统计，即根据Tag的前后节点关系，合并同一分支线上的所有Tag（以前一版本的发版Tag为起点，以当前分支线中最新的Tag为终点）的所有安装包的覆盖率数据。
（3）多个安装包的数据集如何快速合并
为了保证合并计算效率，采用多线程来处理。
以前一版本的发版Tag为起点，以当前分支线中最新的Tag为终点，根据记录的Tag前后节点关系，查询出分支线中的Tag列表，再查询出对应的所有安装包覆盖率数据集
多线程分别合并数据集
流程
1、简化流程
2、打包流程
3、测试过程中上报流程
4、自动计算流程
平台功能
1、查看指定版本、分支的增量代码覆盖率数据 & 依赖组件工程的增量代码覆盖率数据
2、查看组件工程中详细的类增量覆盖率数据
3、查看类增量代码中逻辑分支的详细覆盖状态 & 实时计算、渲染
4、选择Tag区间，临时计算增量覆盖率数据
5、选择同版本两个Tag ，对比计算增量覆盖率数据
后续规划
分支统计纬度的优缺点前面已经提到过，接下来我们会增加行覆盖和方法覆盖统计纬度，并且会结合Git diff，计算/渲染 Diff 代码的覆盖率数据。
现在iOS的插桩方案有些简单粗暴，效率也并不高，所以已经开始着手重构。
我们也计划在平台上增加更多的人性化的功能，提升覆盖率数据的分析效率、提升整体的使用体验。
好了，转转App代码覆盖率方案 就先给大家介绍的这里，希望能对大家有所帮助。
如果喜欢我们分享的内容，欢迎点赞、在看、分享～
阅读原文
