前言

这是一个持续了近两年多时间的项目，项目由最开始只有我一个人，到后来陆陆续续一共有 8 个同学先后给项目贡献过代码。如今代码量已经达到了近 13W+ 行代码，算的上是个不小的前端项目了。

代码统计

两年多的时间里，大家都是间接的接手或者被接手彼此的代码。 由于早期同时参与的时候最多也就 2 个同学，Code Review 这种事情似乎就显得多余了。不过在大概过了一年多之后，项目业务复杂度和代码量已经达到了一定规模，而此时已经有 5，6 个不同工作背景的同学参与过这个项目了。此时项目逐渐暴露出来一些工程问题摆在眼前：

• 已完成的功能模块经常容易改出新问题
• 重复的 API, 模块封装
• 奇怪的框架使用方法
• 代码质量参差不齐
• 闷头开发，对彼此的工作（代码）并不熟悉，缺少交流

Code Review 的阻碍 & 疑虑

由于之前了解到的 Code Review 的信息都是比较负面的，所以在团队准备开始加上这个环节时还是有很多疑虑的：

• 迭代节奏紧迫（时间担忧）

• 需求变更频繁

• 形式主义，增加工作量，没有太大意义

通过在网上搜索相关信息，我发现大家遇到的问题和疑虑无外乎这么几点。很多团队的项目时间都非常紧张，功能都做不完，感觉代码审查太浪费时间了。还有很多的情况是做着做着就沦为了形式主义 , 我搜索资料是这方面的声音比较多。

在我查资料的过程中，我去参考了一些知名的开源项目。最后总结下来，其实增加 Code Review 并不会占用太多的时间（当然也有需要投入较多时间的情况），另外大部分的 Code Review 最终沦为了一种形式，这主要还是因为姿势不对的原因，短期看不到收益，很难坚持。

利用 Gitlab 做 Code Review

Code Review 作为一项十分成熟的软件构建环节，自然会配套十分成熟 的工具。通过工具可以大大的提升 review 效率和质量。我在网上搜索了下，这方面的工具还是非常多的，下面是我列举的几个比较常见的：

• Phabircator （Facebook)

• Gerrit (Google)

• Gitlab / Github

• ...

考虑到我们团队本身在使用 gitlab，索性我们就选择 gitlab 作为工具先试试了。通过 Merge request 功能，我们可以方便的添加 Code Review 环节开发流程。在我们熟知的 Github 中则是 pull request。目前我们的 Code Review 基本流程大致如下：

CR 基本流程

这也是从参考社区后制定的一个流程，目前其中的自动化 CI 工具我们还没打通。为了更顺利和默契的进行这个环节，我们需要制定一个基础的规范：

MR 注意项

• 保持独立的 feature, bugfix、refactor 作为分支进行 MR

• 提交的 commit 需要是有意义的描述，并带上响应的 issue ID

• 复杂的 MR 内容，必要情况需添加 description 内容

• MR 紧急，可以线下通知 Reviewers

Reviewer 相关

• 指定模块最近参与修改的单个或多个同学作为 Reviewer

• 指定参与相关模块讨论和 Desgin 过的人作为 Reviewer

• 指定项目核心开发者作为 Reviewer

• 如有必要， Reviewer 可分配给多个相关人

CheckList

• 错误、重复的 API 调用或者封装

• 配置、接口类的设计问题（合理性、友好性）

• 架构类问题（业务 / 技术）

• 功能，逻辑的遗漏缺陷

• 无用的代码或者注释

• 可读性差的变量、模块等的命名

• 是否缺少应有的单元测试或者文档

  
   

当然上面列举的规则，随着认知的提升可以不断的完善更新。

配合工具更佳

为了提升工作效率，我们可以在我们的 IDE 工具中安装相关的各种插件，提升整个 Review 效率，由于我们大部分同学都在使用 VSCode，这里我就列举部分插件以作参考：

• ESLint 代码静态检测，解决基本的代码风格不统一的问题，避免一些低级 bug。当然 ESLint 最好集成到 dev 构建环节中去

• GitLens 非常好的 git 可视化管理插件

• Gitlab MR 协助快速创建 MR 请求

总结

作为一个需要长期维护的商业软件，并在可预见的范围内，项目仍然有很长的成长空间的情况来下，增加代码审查环节是十分有必要的。无论是在传统的瀑布模型（Waterfall Model）的迭代方法，还是当下最多的敏捷开发，代码审查都是很重要的一环。在《代码大全》讨论质量提升的章节中有个统计，显示代码审查缺陷检出率还是非常高的：

（图片 - 2）来自代码大全

我大概统计了下，截止 3 月底，数栈项目进行了约 350 + 次 merge 操作，有记录的 comment 约 90 + 次，我计算了下，平均每次 MR 操作约会产生 0.25 次交流。这个数值应该不算高。后来大家总结下来，跟我们的预期有一些差别，例如 Bug 检出率不高，不过很多基本 Bug 能一眼看出。最明显的就是代码质量的的提升，像重复、遗漏、可读性等问题都很明显的改善。

总而言之，大家总结下来结果对 Code Review 这个环节感觉还是很有意义的，当然还有很多不足点需要改善，例如提升 Review 质量，定期总结等等。

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack