我正试图构建一个“热图"；来自存储在git存储库中的多年历史，其中粒度单位是单个函数。函数应该随着更改次数的增加、频率的增加以及非空行的更改而变得更热。
首先，我检查了的输出
git log --patch -M --find-renames --find-copies-harder --function-context -- *.c
我考虑过使用Hackage的Language.C，但它似乎想要一个完整的翻译单元—展开的标题和所有内容；而是能够处理源片段。
--function-context选项是自1.7.8版本以来的新增选项。v17.9.4中实现的基础是正则表达式：
PATTERNS("cpp",
/* Jump targets or access declarations */
"!^[ t]*[A-Za-z_][A-Za-z_0-9]*:.*$n"
/* C/++ functions/methods at top level */
"^([A-Za-z_][A-Za-z_0-9]*([ t*]+[A-Za-z_][A-Za-z_0-9]*([ t]*::[ t]*[^[:space:]]+)?){1,}[ t]*\([^;]*)$n"
/* compound type at top level */
"^((struct|class|enum)[^;]*)$",
/* -- */
"[a-zA-Z_][a-zA-Z0-9_]*"
"|[-+0-9.e]+[fFlL]?|0[xXbB]?[0-9a-fA-F]+[lL]?"
"|[-+*/<>%&^|=!]=|--|\+\+|<<=?|>>=?|&&|\|\||::|->"),
这似乎很好地识别了界限，但没有；t总是将函数保留为diff hunk的第一行，例如，顶部有#include指令，或者有一个包含多个函数定义的hunk。告诉diff为每个更改的函数发出单独的chunk的选项将非常有用。
这不是；t安全至关重要，所以我可以容忍一些失误。这是否意味着我可能有Zawinski的；s"；两个问题"；？
我意识到这个建议有点切中要害，但它可能有助于澄清和排序需求。这适用于C或C++。。。
使用编译器生成二进制块，而不是试图找到作为函数的文本块并进行比较。具体来说，对于变更集中的每个C/C++源文件，将其编译为一个对象。然后使用目标代码作为比较的基础。
这对您来说可能不可行，但IIRC在gcc上有一个编译选项，以便将每个函数编译到生成的对象代码文件中的"独立块"中。链接器可以将每个"chunk"拉入程序中。（现在已经很晚了，所以如果你对这个想法感兴趣，我会在早上查一下。）
所以，假设我们能做到这一点，你会有很多由二进制代码块定义的函数，所以一个简单的"热"比较是"任何函数的版本之间的代码长多少或短多少？"
我还认为，使用objdump来重构函数的汇编程序可能是实用的。在这个阶段，我可能会使用一些正则表达式来修剪寄存器名称，这样对寄存器分配的更改就不会导致太多的误报（更改）。
我甚至可能尝试对函数体中的汇编指令进行排序，并对它们进行比较，以在两个函数实现之间获得"删除"与"添加"的模式。这将给出一个变化的度量，它在很大程度上与布局无关，甚至在某种程度上与某些源的顺序无关。
因此，看看同一功能的两个替代实现（即来自不同的变更集）是否是相同的指令可能会很有趣：-）
这种方法也应该适用于C++，因为所有名称都经过了适当的篡改，这应该可以保证比较相同的函数。
因此，正则表达式可能保持非常简单：-）
假设所有这些都很简单，那么这种方法可能会给你带来什么？
附带说明：这个基本策略可以适用于任何以机器代码为目标的语言，也可以适用于Java VM字节码、.NET CLR代码等VM指令集。
也许值得考虑使用一种常用工具构建一个简单的解析器，而不仅仅是使用正则表达式。显然，最好选择你熟悉的东西，或者你的组织已经使用的东西。
对于这个问题，解析器实际上不需要验证代码（我认为它在签入时是有效的），也不需要理解代码，所以它可能非常愚蠢。
它可能会丢弃注释（保留新行），忽略文本字符串的内容，并以非常简单的方式处理程序文本。它主要需要跟踪平衡的"｛"｝、平衡的"（"）"和所有其他有效的程序文本只是可以"直接"传递的单个令牌。
它的输出可能是一个单独的文件/函数，以便于跟踪。
如果语言是C或C++，并且开发人员有合理的纪律，他们可能永远不会使用"非语法宏"。如果是这样的话，那么这些文件就不需要进行预处理。
然后，解析器主要只是在文件范围内查找函数名（标识符），后跟（参数列表）｛…code…｝
我想用yacc&lex/flex&bison，它可能非常简单，因此不需要解析器生成器。
如果代码是Java，那么ANTLR是可能的，我认为有一个简单的Java解析器示例。
如果Haskell是你关注的焦点，那么他们可能是发布的学生项目，这些项目对解析器进行了合理的尝试。