Код с запашком

Антипаттерн «Дублирование кода»^[4] — классический пример кода с запашком, выражающийся в наличии одинаковых фрагментов кода в разных местах приложения. Дублирование бывает и внутри одного класса (разных методов), и между разными классами.

Антипаттерн «Зависть к данным»^[4] — ситуация, когда метод активно обращается к методам и данным других классов, чаще всего — к геттерам, чтобы получить нужные данные. Это может указывать на то, что метод находится не в том классе.

Также известен под названиями «божественный класс» или «Winnebago»; антипаттерн «Blob» — это класс, чрезмерно концентрирующий ответственность, обладающий множеством полей и зависящий от большого числа других классов с большими наборами данных.

Антипаттерн «Длинный список параметров»^[4] — пережиток ранней эры процедурного программирования, когда функциям передавалось множество параметров вместо использования глобальных переменных. В современных ООП-языках такой подход ухудшает читаемость и затрудняет рефакторинг.

Реализация чрезмерно длинных методов — типичная ошибка начинающих разработчиков. Такие методы излишне сложны, хотя их можно и нужно декомпозировать^[4] — разбиение упрощает чтение и последующую поддержку.

Антипаттерн «Large Class»^[4] подразумевает класс с большим количеством переменных. Это часто приводит к обособленному использованию разных переменных и порождает дублирование кода.

Для каждого типа кода с запашком существуют более или менее формализованные способы обнаружения, а также практики для устранения или предотвращения ошибки. Ниже представлены методы выявления и рекомендации по исправлению для шести наиболее распространённых случаев.

Обнаружение кода типа «Duplicated Code» заключается в оценке процента дублированных строк в программе. Простое полное совпадение выявляется легко, но дублирование часто завуалировано переименованиями переменных или небольшими изменениями.

Например, в языке Java:

Integer var = 5;
String str = String.valueOf(var);

является дублированием кода по отношению к:

Integer nombre = 5;
String chaine = String.valueOf(nombre);

Чтобы не упустить такие случаи, алгоритм должен учитывать возможные переименования и незначительные отличия. Также встречается случай, когда два разных алгоритма решают одну и ту же задачу; такую ошибку часто допускают новички при копировании кода. Это не только увеличивает объём программы, но и усложняет сопровождение. Исправление — вынесение общего кода в отдельный метод и использование его вместо дубликатов. Для предотвращения подобных ошибок важно:

• Факторизовать код на максимально ранних этапах.
• Работать по принципам разработки через тестирование.

Запах кода «Feature Envy» (буквально «зависть к функционалу») проявляется, когда метод обращается к элементам других классов чаще, чем к своим собственным. Исправить это можно несколькими способами:

• Переместить метод в другой класс, если он использует больше данных из него, чем из текущего.

Например, в классе Rectangle метод perimetre() может быть логично перемещён в другой класс:

public class Rectangle {
   ...
   public Double perimetre() {
        return 2 * AutreClasse.largeur + 2 * AutreClasse.longueur;
   }
}

• Вынести часть метода, если она активнее использует данные другого класса. Например, если метод в классе лодка preparer_bateau() преимущественно манипулирует заглушкой SPI:

public class Bateau {
   private SPI spi;
   private Reserve reserve;
   ...
   public void preparer_bateau() {
        this.laver();
        this.verifier_coque();
        reserve.verifier_provisions();
        spi.regler_hauteur();
        spi.regler_largeur();
        spi.verifier_voile();
   }
}

Корректная практика — внедрить новый метод в SPI, который агрегирует нужные действия, и вызывать его из preparer_bateau().

Для обнаружения таких случаев оценивается так называемая степень связанности методов с внешними классами. Lanza и Marinescu предложили специальную метрику^[5]:

$${\displaystyle FDP\leq 5\land ATFD>5\land LAA<\left({\frac {1}{3}}\right)}$$

Где:

• LAA (Locality of Attribute Accesses) — доля методов, использующих больше атрибутов сторонних классов, чем собственных;
• FDP (Foreign Data Providers) — доля атрибутов, предоставляемых другими классами и редко используемых ещё где-либо;
• ATFD (Access to Foreign Data) — доля методов, которые получают доступ к чужим данным.

Реализации этой методики есть в инструментах iPlasma, inFusion, JDeodorant и др^[6]. Плагин Eclipse Metrics^[7] также помогает обнаруживать такие случаи.

Эта ошибка связана с нежеланием или неумением проектировать сложные архитектуры. Она приводит к снижению скорости и ухудшению сопровождаемости. Для профилактики BLOB-объектов рекомендуется:

• Использовать принцип «разделяй и властвуй»;
• Активно применять абстракцию и наследование.

Исправление предполагает реорганизацию кода и разделение обязанностей:

• Переместить методы, не относящиеся по смыслу к данному классу, в корректные классы;
• Убрать нелогичные поля и размещать их в соответствующих классах;
• Устранить ненужные связи между классами.

Обнаружение производится с помощью метрик^[8]:

$${\displaystyle WMC\geq 47\land ATFD>5\land TCC<\left({\frac {1}{3}}\right)}$$

DECOR определяет BLOB через величину LCOM5 (слабая связность методов, Lack of Cohesion Of Methods) — если она превышает 20, а число методов и полей в классе больше 20, а также по подозрительным названиям классов (Process, Control, Manage, System и др.)^[9][10].

Для дальнейшего анализа применяется кластеризация (разделение на кластеры по метрике Жаккара), например как реализовано в JDeodorant и других инструментах^[11].

Антипаттерн возникает в случаях, когда метод/класс перегружен параметрами, обычно вследствие объединения нескольких алгоритмов или чрезмерного усложнения интерфейсов. Корректировка заключается в:

• Замене группы параметров на передачу объекта;
• Сокращении числа параметров (Mesures mesures вместо трёх отдельных аргументов).

Инструменты анализа, такие как PMD и Checkstyle, обычно устанавливают порог на максимально допустимое количество параметров (10 и 7 соответственно).

Запах «Long Method» (слишком длинный метод) встречается при отсутствии декомпозиции. Его профилактика — TDD, разбиение на небольшие функции, повышение читаемости. Для обнаружения используют не только число строк, но и такие показатели, как цикломатическая сложность и метрики Хэлстеда^[12]. Многие инструменты считают длинной функцию в 100–150 строк и более.

Запах «Large Class» — класс, сочетающий в себе слишком много обязанностей. NASA Software Assurance Technology Center публиковал рекомендуемые пороги:

• меньше 20 методов в классе;
• суммарная «масса» методов (длина) — не более 100;
• суммарное число методов и вызываемых ими функций — не более 100;
• число классов, на которые ссылается текущий, — не более 5.

PMD и Checkstyle считают класс крупным при превышении 1000–2000 строк. Исправляется проблема выделением отдельных классов для локальных обязанностей.

Существует ряд инструментов, реализующих автоматическое выявление кода с запашком.

DECOR^[9] (Detection&Correction) — комплекс, выполняющий выявление и автоматическую корректировку дефектов. Процесс построен как система правил на специальном языке высокого уровня, задаваемых пользователем для поиска и (опционально) исправления. DECOR фиксирует 19 различных паттернов, включая Blob, Long Method и Large Class^[13].

Коммерческое решение, базирующееся на платформе iPlasma; работает с Java, C, C++. Определяет более 20 дефектов, среди которых Duplicated Code, Blob, Long Method и Large Class.

Плагин для Eclipse, созданный в Университете Конкордии (Канада) и Университете Македонии (Греция)^[14]. Позволяет находить и устранять основные дефекты типа Feature Envy, Type-Checking, Long Method, Blob, Duplicated Code^[15].

Stench Blossom^[16] — инструмент, предлагающий визуальное представление анализа, где каждый вид дефекта отмечен в виде «лепестков». Чем больше проблема, тем больше лепесток.

Плагин для Eclipse, распознающий 8 разновидностей дефектов в Java-коде.

HIST (Historical Information for Smell deTection)^[17] — инструмент, ориентированный на анализ истории изменений в системах контроля версий. Он выявляет закономерности частых изменений проблемных классов (например, BLOB) при рефакторинге. HIST обнаруживает Divergent Change, Shotgun Surgery, Parallel Inheritance, Blob, Feature Envy. По сравнению с другими средствами, обеспечивает более высокую точность, но требует большего количества исходных данных и работы с историей изменений^[18].

Существуют и другие инструменты, такие как Checkstyle, PMD.