导读

我们对精简代码做了一些创新尝试，在核心发券系统alsc-pc实践落地，取得不错的效果。希望能给大家带来一点参考价值。

精简代码是系统重构的一种手段，其目标在通过量化手段，辅助删减无效代码。通过减少无效代码来减轻系统的复杂度，提升系统的可读性、可运维性，从而减轻研发人员的理解、开发、运维的成本。

背景

软件系统会随着时间不断的成长，随着功能的添加和修改，代码数量不断的增加，函数之间的调用关系也越来越庞杂，最终导致代码复杂性增加、可读性下降，进而影响开发效率和软件质量。从某种角度来说，越是关键系统，承担的业务变化越频繁，其熵值增加的也就越快。因此，代码精简是一个重要的事情，体现在日常工作中，就是一个个小型的技改，很多时候，它们常驻to do list，目送其它需求一个个的发布。

“代码的阅读时间比写代码的时间多十倍以上。所以，让代码易于阅读至关重要。” --Robert C. Martin

1+6+N后，系统交割、数据独立运维，本地平台承接了几十个核心系统，千万行代码量级。这类系统特点是：演进多年，功能强大、逻辑复杂，保持了底层逻辑高度抽象、通用的同时，上层充分开放、灵活定制，以此支撑了多种形态的业务。团队接手后，需要快速的进入研发和运维状态。面对系统数量多、复杂度高，上手难度大的挑战，考虑到系统本身有很多代码，本地业务其实用不到。于是乎，代码精简成为一个重要且紧急的事情。

基于此，我们做了一些创新尝试，聚焦精简代码这个点，在核心发券系统alsc-pc实践落地，取得不错的效果。希望能给大家带来一点参考价值。

方案

这一章节主要围绕三个核心的难点展开：决策难、投入高、风险高，结合案例，给出实践方案。

1. 决策难

我们知道需要优化系统代码，但是怎么评估ROI是一个难题。减少系统10%的代码行，需要投入多少人力？减少20%的代码，能节省多少其他人阅读的时间，能提升多少的吞吐？以上问题，都在本文的射程范围之外（非常抱歉），需要根据实际的情况进行分析。以人力投入为例，其跟系统复杂度、变更频率、代码结构、历史负载、编程规范等均有关系，没有统一量化的标准，因此也就没有统一的方案。本文的意义在于，通过量化数据，给出定性的判断，辅助决策。

量化可以量化的部分：以生产流量来度量当前系统中，有效代码的占比（具体来说，是有效函数占比）。

如图所示，经过一个月的随机采样，采集到46万流量，以此来对系统代码进行染色，得到有效函数占比为~5.5%。

函数覆盖（有效函数） = 回放流量覆盖到的函数数量 / 系统的总函数数量

我们没有办法给出一个固定的门槛值：当一个系统的有效函数占比低于XX%时，就要开展代码精简专项。但是，我们不难判断，当该比例 <10%时，精简代码会取得不错的效果，是开展专项的良好时机。

Fowler、Bob大叔等人都在强调要重构、要优化系统代码。

但要是问他们：什么时候应该优化？

估计他们会答：任何时候。

问他们：优化能带来哪些好处？

估计会答：好处很多，自行体会。

2. 投入高

事中的部分，往往是最难的。正式进入删除代码的阶段，我们通过深入代码，从入口处逐层解读，分析每一个分支的业务含义，最终在脑中构建出一张函数调用的大网。大网以外，孤立的类、函数，很容易解决，IDE和静态代码扫描都能帮到我们。大网以内的部分，就需要结合业务场景进行人工的逻辑分析，并做出判断。

注意，在这里需要明确区分：精简代码和常规重构两个目标。精简代码，在走读过程中，需要时刻聚焦在：这个函数是不是必要的，能不能删除？而后者，聚焦在这个类、这个函数是否符合SOLID原则、是否符合命名规则，需不需要重写？

本文的方案依旧是，量化可以量化的部分：通过函数称重，以生产流量来量化每一个函数的重要程度。

函数权重 = 该函数被调用的次数 / 流量总数

如上图所示，左侧是类列表，右侧是选中的类下面的所有函数列表。右侧部分，每一行是一个函数，后面的数据就是其被调用的次数、函数的权重。

这部分数据，会帮助到开发同学，用以印证脑中的函数调用大网。在代码走读的过程中，实时的查看量化数据，形成快速的反馈机制，有助于理清思路、减轻脑负担，同时也能有效的防止分析遗漏。

IDE插件内部提示：

重点说明：由于流量是采样的数据，虽然通过随机、长时间采样，从统计上可以无限毕竟全量数据分布，但是对于核心系统来说，不能完全依赖统计分析。因此，精简代码的过程，需要以数据为辅，最终由人工来决策。

根据实践情况统计，以上的函数权重反馈机制，可以帮助开发同学有效减少30%-40%的代码走读成本。

20世纪初，福特公司有一台电机出了问题，导致整个车间生产停转，大批内部工人、专家反复查看都无法找到原因。后来，公司请来了斯坦门茨。斯坦门茨仔细检查了电机，然后用粉笔在电机外壳画了一条线，对工作人员说：“打开电机，在记号处把里面的线圈减少16圈。”人们照办了，令人惊异的是，故障竟然排除了！生产立刻恢复了！福特公司经理问斯坦门茨要多少酬金，斯坦门茨说：“不多，只需要1万美元。”1万美元？就只简简单单画了一条线！斯坦门茨看大家迷惑不解，转身开了个清单：画一条线，1美元；知道在哪儿画线，9999美元。

真正的难题不是培养斯坦门茨，而是技术化的解决“知道在哪儿画线”。

3. 风险高

毋庸置疑，删除代码是一件极其高危的操作，一不小心就会删在“大动脉”上。精简代码是一个典型的重构类项目，其质量保障的重点是确保：功能无损、性能无损、应急能力无损。对应的手段主要有：回归、灰度、压测、演练。

当然，以上手段需要根据实际情况进行选型和调整，以alsc-pc重构为例，经过综合考量，决策新建系统alsc-coupon（迁移alsc-pc的有效代码），并逐步完成上游流量的迁移。基于此，带来了一些新的挑战：

天启用例不能直接使用，需要人工修复流量、mock子调用、mock配置等。而这部分的复杂度极高，导致ROI极低，我们最终放弃了天启回归方案。进一步，引发了回归覆盖的挑战。新系统，新的配置，需要专门验证。对于一个演进多年的系统，往往有大量的switch, diamond配置，如何高效的验证是一个难题。新建的部署结构，重点关注高可用风险，性能、限流、单元化等。

风险及应对策略

关键难点和风险

质量策略

开发迁移成本高！

alsc-pc代码量多(70+w行)、通过人工评估方式迁移成本极高，可能存在功能迁移遗漏风险。

通过 函数称重工具 辅助进行代码精简评估和函数能力评估。

测试成本高！

全量业务迁移，接口数量多，涉及全量券类活动，影响券生命周期全链路，评估不全会带来接口不可用、资源不可用的风险。

通过 全面的回归和校验能力 进行质量保障

万象仿真；老服务天启用例、特征迁移适配（放弃）；kbt链路case比对工具&一键校验工具；AJ覆盖率辅助回归场景补充；

新老配置一致性风险

一期迁移switch、不迁移diamond配置，二期diamond配置迁移至switch，可能会存在配置遗漏。

通过 配置一致性检测能力 进行新老服务switch、diamond配置保障，通过配置变更流水线保证变更的感知和新老同步。

资金安全风险

新服务监控、核对配置不完全，存在资损问题遗漏风险。

借助 VIP mock和异常注入的功能：

强化异常场景和功能稳定性场景的测试覆盖，如灰度、缓存、消息、幂等、任务；资损场景重点分析并及时进行核对演练；

高可用风险

新服务的熔断限流、单元化、服务&db性能均可能出现风险问题。

通过 压测 进行性能和高可用配置合理性评估，重点关注单元化和容灾切流。

由于灰度、压测、演练等各个保障手段，有已经有大量的文章专门介绍，不再具体展开。万象仿真是基于场景的E2E回归方案，场景背后是DB数据特征抽取；配置一致性检测，是一个繁锁和重复的过程，我们沉淀了镜铃平台；VIP已经是一个老朋友了，由于其能力在持续演进，跟文章中描述已经是面目全非了，计划“重构”文章中。

以上，希望对大家有所帮助。

"任何值得追求的目标都会涉及风险。成功的关键是学会管理风险，而不是回避它。" --赫伯特·欧特尔

后记

颗粒度对齐一下：精简代码为什么全篇都在聊函数粒度，不是行粒度？

嗯，函数和代码行的关系，有点类似原子和内部粒子的关系。原子决定了物理性质，如质量、体积、温度、密度等。对应于函数决定了功能、性能。原子间建立连接组成各种分子和物理世界。对应于函数之间相互调用，组成了接口服务，支撑了业务。因此，函数是完整的功能原子，是人工分析极其合适的粒度。同时，原子中，删减质子，会改变原子本身，可能使金原子变成氢原子，在此基础上搭建的分子、物质都会坍塌。同理，精简函数内部的代码行，可能使函数、系统服务“坍塌”。

好吧，最主要的原因是，我们还没从技术上解决轻量级的代码行称重的难题。

作者:雨清

来源-微信公众号:阿里云开发者

出处:https://mp.weixin.qq.com/s/30PHdlnGZ4lGm3H5VeLRWQ