深入理解 Swift 代码覆盖率

2021/8/18 20:06:07

本文主要是介绍深入理解 Swift 代码覆盖率,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

本文通过介绍 Swift 代码覆盖率的生成原理,支持了在 CI 分布式编译和测试的场景下,将每种测试的代码覆盖率合并,最终还原得到真实的覆盖率结果。

📡抖音基础技术在北京、上海、深圳、杭州四地持续招聘。技术栈 Swift,有汇编和 C++ 基础加分,不会可以手把手教。欢迎加我微信 sevenkplus 咨询,免费提供工作介绍、团队介绍、简历修改、进度跟踪、面试辅导等各种服务,也可推荐优秀的业务团队。

背景

笔者目前在负责一个字节跳动集团内部一个基础库的研发工作。作为面向所有 App 开放接入的重型基础库,我们非常重视自动化测试能力的建设以及各种 case 的积累。case 的积累并不是一种研发负担,相反它允许我们团队在不影响交付质量的前提下,在基础库内部可以进行充分的优化、迭代和重构。同时,我们也非常赞同精准测试的理念,把测试覆盖率作为一项持续关注的指标,预期是所有对外交付的代码,都应该经过测试。

我们通过 WWDC2019 引入的 XCTestplan 来对各种 case 进行分组管理,开启测试覆盖率非常简单,只要在 XCode 中打开开关,就可以如下图所示的覆盖率信息:

http://img4.sycdn.imooc.com/611aa2110001a60419580312.jpg

问题

随着基础库的能力越来越强大,测试的复杂度也随之升高。我们需要更多不同种类的 case 来保障基础库的质量。举一些常见的例子:

  • 有些底层函数只需要单元测试就可以保证质量,有些场景则需要进行交互测试,还有一些布局相关的场景,我们选择基于 iOSSnapshotTestCase 这个工具来进行像素比较测试

  • 关注逻辑正确性的测试,一般会使用 Debug 模式进行编译,而性能敏感以及一些其他特殊的测试,则需要基于 Release 模式,或者使用更加订制的模式进行编译

  • 对于一些分版本实现的逻辑,需要运行在对应版本的设备上进行测试

随着越来越多的 case 积累,带来的挑战是编译时间和测试执行时间的双重膨胀。考虑到各种编译模式的总编译时间,以及所有 case 的执行时间,目前已经超过了 30 分钟,长期来看可能会超过一小时,显然难以接受。

好在公司内自研了一套 Mac 集群系统,同一时刻可以把任务分派到不同的机器上,通过多台机器并行编译和测试,减少总的 CI 时间。这是一种相对长期合理的、能够从根源上解决 CI 耗时过长的技术方案。

但这种方案也会带来一个问题:类比 K8S 和 Docker 的概念,每一次执行 CI 脚本时,都会由调度管理平台从集团内部所有的 Mac 机器中指派一台最合适的机器,创建出一个虚拟环境用来执行 CI 脚本。同时为了避免各个任务之间的影响,CI 脚本的执行环境是高度隔离的,它对宿主物理机一无所知。由于每次编译的路径各不相同,因此在不同任务中分别运行一部分测试得到的覆盖率,无法进行合并。我们可能会得到如下数据:

http://img3.sycdn.imooc.com/611aa2110001afd022920784.jpg

这里同一份 lock 文件由于编译路径不同,导致在覆盖率工具的视角中,它其实是三个 ID 不同,但恰好内容相同的文件。而我们的目标是告诉覆盖率工具,它们其实是同一个文件,每一行的覆盖率情况都需要被精确的求和。

覆盖率统计原理

swift 覆盖率

首先最简单的结论是,简单的覆盖率相加肯定不可信,因为会有重复执行的部分。

对于在 Xcode 中可以看到的覆盖率数据,会保存在运行测试后的 .xcresult 文件中。可以用 xcrun xccov view --report path/to/xx.xcresult 命令去解析,但只能得到覆盖率百分比,依然没有更加细致的数据可供合并。而且 Xcode 的数据格式相对来说更加黑盒,比如目前还没有发现比较好的工具,能够把这个覆盖率信息以网页形式进行展示。

因此笔者把思路转向更加原始的数据,即 Swift 自身的覆盖率计算方式。在 Swift 发展的早期,业内曾经有 SwiftCov 这样的工具可以用来生成覆盖率数据,但是随着 Swift2 原生支持了覆盖率信息,目前 Swift 的覆盖率事实上有且只有一套官方的方案,是基于 LLVM 实现的。基于官方方案的另一个好处是,配套工具相对比较成熟,比如可以生成网页,能够精确展示每行代码的执行情况,并且能够支持范型特化等多种复杂场景的统计。

具体的资料可以参考这篇官方文档:Source-based Code Coverage,这里笔者会把生成覆盖率的流程拆解为三个阶段,分别介绍每个阶段都做了哪些事情,以及覆盖率数据最终是如何被生成的。

MachO 文件编译

启用测试覆盖率的本质是增加了两个编译参数:-profile-generate-profile-coverage-mapping。这两个参数也可以手动添加到 Swift Compiler -> Custom Flags -> Other Swift Flags 选项中。

关于这两个参数的具体解释,可以用 swiftc --help 命令查看

http://img1.sycdn.imooc.com/611aa2350001a3ac15660166.jpg

这里的解释可能还是不够直观,所以可以看下编译出来的 MachO 文件,有什么特殊之处。首先可以看到多了一些 Section,这些 Section 都是用来进行覆盖率统计的。

http://img2.sycdn.imooc.com/611aa235000160e806680316.jpg

还是以之前的 lock 函数为例,看一下它的汇编,可以看到插入了下面这段打点逻辑。

http://img3.sycdn.imooc.com/611aa2360001a17412960976.jpg

可以把这个 ___profc_xxx 符号理解为打点的计数器,具体的地址就保存在 MachO 文件的 __DATA 段,__llvm_prf_cnts 节中。在程序刚启动时,所有的计数器的值都是零,每当对应的代码被执行到一次,计数器的值就加一。

现在我们就比较容易理解前面说的两个编译参数的含义了,MachO 文件中多出来的代码,由 -profile-generate 参数生成。而多出来的一些 __LLVM_COV 段则是由 -profile-coverage-mapping 参数生成。之所以要做这样的拆分,笔者认为可能的原因是,插桩信息除了可以用于覆盖率分析以外,还可以用来进行 PGO 优化,参考:使用 Profile Guided Optimization 提升 Application 的性能。

值得一提的是,插桩的数量和代码行数、函数数量都不是一对一的关系。事实上每一个桩都会和一个 Basic Block(BB)对应。一个 Basic Block 是指一段 “只有一个入口和一个出口,中间再无其他的 jump/return/if 等流程控制语句” 的代码。一个 Basic Block 对应一个桩的好处是,不需要为每行都插桩,从而大大减少了可执行文件的大小并且提高了执行的速度。同时还能够精确分析到所有代码的执行情况。

注意:BB 和行并没有明确的包含关系,比如一行三目运算符其实会包含两个 BB。一个 BB 只表示一个开始的行号和列号,以及一个结束的行号和列号。

profraw 与 profdata 生成

当插了桩的可执行文件结束运行后,LLVM 会提取 __DATA/__llvm_prf_cnts 这一节中的执行数据,并且在 DerivedData 目录的 Build/ProfileData/ 目录下生成一个 profrawprofdata 文件。

http://img2.sycdn.imooc.com/611aa2360001496a16400164.jpg

可以把 profraw 理解为抽取出来的原始数据,完全是二进制的,没有可读性。而 profdata 是经过汇总处理的结构化数据,虽然还是二进制的,但其中已经可以看到一些计数器信息了。可以使用下面的命令,把 profraw 文件转换成 profdata 文件。

http://img2.sycdn.imooc.com/611aa23600011aa229440544.jpg

可以使用 llvm-profdata show 命令来查看 profdata 的内容:

http://img1.sycdn.imooc.com/611aa2370001507433760544.jpg

http://img1.sycdn.imooc.com/611aa23700018f7521140210.jpg

如上图所示,可以看到这个 Basic Block 被执行了 138 次。

实际上,.profdata 可以简单理解为上述结构的数组,它本质上记录了每个埋点(Basic Block)的执行次数。

完整用法可以查看官方文档:llvm-profdata - Profile data tool

覆盖率导出

流程和效果

最终得到覆盖率数据,需要三个文件:

  • 埋点计数结果:.profdata

  • MachO 可执行文件

  • 源码目录

然后使用 llvm-cov 命令生成 HTML 格式的覆盖率报告:

http://img3.sycdn.imooc.com/611aa2370001a69032721384.jpg

这样就可以生成覆盖率报告:

http://img1.sycdn.imooc.com/611aa2380001da2107580156.jpg

其中 index.html 是所有文件的覆盖率数据汇总,而每个文件精确到行级别的覆盖率信息,则保存在 coverage 文件夹中,每个文件对应一个 HTML。由于源码保密,这里以 Chromium 的覆盖率信息为例,演示下通过 llvm 官方工具生成的结果:

http://img4.sycdn.imooc.com/611aa2380001ac4d07250207.jpg

http://img1.sycdn.imooc.com/611aa24300019c0f07280355.jpg

导出原理

整个流程跟踪下来,最关键的一步在于理解 llvm-cov 命令是如何生成覆盖率报告的。

首先我们知道 profdata 文件只有计数器的调用次数,而且覆盖率报告中的源码,一定是根据我们传入的源码路径获取的。因此计数器信息之所以能够和源码关联起来,靠的一定是 MachO 文件。通过查阅资料,笔者的猜想在 LLVM 的文档:LLVM Code Coverage Mapping Format 中得到了印证:

LLVM’s code coverage mapping format is designed to be a self contained data format that can be embedded into the LLVM IR and into object files. It’s described in this document as a mapping format because its goal is to store the data that is required for a code coverage tool to map between the specific source ranges in a file and the execution counts obtained after running the instrumented version of the program.

The mapping data is used in two places in the code coverage process:

  1. When clang compiles a source file with -fcoverage-mapping, it generates the mapping information that describes the mapping between the source ranges and the profiling instrumentation counters. This information gets embedded into the LLVM IR and conveniently ends up in the final executable file when the program is linked.

  2. It is also used by llvm-cov - the mapping information is extracted from an object file and is used to associate the execution counts (the values of the profile instrumentation counters), and the source ranges in a file. After that, the tool is able to generate various code coverage reports for the program.

这一段清楚的解释了,MachO 文件的作用是提供了一种映射关系,它的一边关联了插桩计数器,另一边关联了这个计数器对应的源码范围。为了定位一段代码,又需要五个参数:源码路径、起始行号和列号,结束行号和列号。这些信息在编译 MachO 文件时被写入到 __LLVM_COV 段中,再由 llvm-cov 工具负责解析。

经过观察,笔者发现源码的路径信息,可以在 __llvm_comap 这一节中直接看到,而源码起止范围的信息,也是就是 Basic Block,可能由于存储方式经过压缩,并不能直观的阅读,但这不影响对流程的理解。

原理总结

总结来说,Swift 代码覆盖率的计算流程,大致分为两大流程,如下图所示:

http://img4.sycdn.imooc.com/611aa2430001a0a824001600.jpg

第一条流程是编译执行流程。首先使用 -profile-generate-profile-coverage-mapping 参数,将源码编译为可执行文件。

编译产物中会对代码进行插桩。执行到特定位置的代码,就会增加计数器的值。同时会把计数器和对应的 Basic Block 的源码位置信息,存储在编译产物的 __LLVM_COV 段中。

编译产物运行过程中,随着代码的执行,计数器的值会不断增加,并且写入 __DATA 段。结束运行后生成 .profraw 文件,再整合处理为 .profdata 文件,文件中记录了每个计数器,以及它的调用次数。

另一条流程是覆盖率生成的流程。需要用到之前流程中的可执行文件和 profdata,并且结合源码生成覆盖率报告。具体原理是:遍历 profdata 中的每一个计数器,先根据可执行文件中存储的映射关系,找到这个计数器所对应统计的那一段源码,从而生成行级别的覆盖率信息。

解决方案

到目前为止,我们已经搞清楚了 Swift 代码覆盖率的计算原理。当下的实际工程情况是,我们有多个 xctestplan,分别运行在不同的 CI 机器上,因此会生成多份不同的 profdata 文件和多个相同的可执行文件。

因此整体的思路是,基于 llvm-profdata merge 命令,对多份 profdata 文件进行合并,然后任意选择一个可执行文件,再结合源码,生成覆盖率报告。

之所以 profdata 可以被合并,甚至是简单的相加,原因就在于它统计的是 Basic Block 的执行次数。Basic Block 对应着程序最小粒度的流程控制。同样的源码会编译出相同的 Basic Block,同一个 Basic Block 中的代码,执行次数也一定相同。

路径映射

首先要解决的,是编译路径随机的问题。假设我们在编译时的工作路径是 A,而在生成覆盖率报告时的工作路径是 B。这会导致可执行文件的 __LLVM_COV 段中,会存储一个路径 A,而在生成覆盖率报告时我们拿到的源码实际位于物理路径 B,因此无法正确关联到源码。具体表现是生成的覆盖率信息是空的。

这里笔者采用了苹果在 Swift 5.3 中新增的一个编译参数:-coverage-prefix-map,具体介绍可以参考这个 MR。简而言之,这个参数的作用是把 __LLVM_COV 段中的源码路径,从当前实际的路径,映射成任意虚拟的路径。然后再在 llvm-cov 命令中把这个虚拟路径还原为真实路径。

举个例子,我们可以在 Other Swift Flags 中增加一个编译参数:-coverage-prefix-map $PWD=/ROOT,这样我们在 __LLVM_COV 段中就会看到源码都位于 /ROOT 目录而不是 A 目录下。然后在生成覆盖率报告时,用 llvm-cov -path-equivalence=/ROOT,B 告诉 LLVM 这里的 /ROOT 是个虚拟路径,实际路径位于 B。

这样通过 swiftc 的 -coverage-prefix-map 参数和 llvm-cov 的 -path-equivalence 参数,我们就实现了任意编译路径 A 到实际解析路径 B 的转换。

理论上,如果我们在生成覆盖率报告时,能够直接拿到路径 A,也可以只用 llvm-cov -path-equivalence=A,B 来达到目的。获取路径 A 的方式有很多,比如解析 profdata 或者可执行文件,亦或者通过 CI 系统进行参数传递。由于时间关系(懒),笔者没有进行尝试。

profdata 处理

解决了路径映射的问题后,其实就已经跑通了流程。具体的做法是:

  1. 把 N 个 xctestplan 分配到 N 台机器上,各自运行一个任务

  2. 把这 N 个任务各自的 profdata 作为产物,提供给下游的覆盖率分析任务,第一个任务还要提供一个可执行文件

  3. 在覆盖率分析任务中:

    1. 首先以同样的 commit-id 下载代码,同时下载前面 N 个任务的 profdata 和第一个任务的可执行文件

    2. 使用 llvm-profdata data merge A.profdata B.profdata ... -output merge.profdata 命令,将所有 profdata 合并成同一个

    3. 使用 merged.profdata 和下载下来的源码和可执行文件,配合 -path-equivalence 参数,生成覆盖率报告。

经过测试,汇总后的覆盖率确实高于任何一次单独运行的覆盖率,工作表现良好。

但是经过一段时间的运行后,根据组内同学的反馈,笔者还是发现了一个不符合预期的 case。一个函数的某个部分,在明确添加了测试 case 后,覆盖率依然为零。

经过排查,发现问题出现在插桩计数器的名字上。对于一些简单的函数,它的计数器名字可以简单理解为函数名的 mangle 结果,与实际路径无关,因此不管在什么机器上编译,计数器的名字都不会变。这样在合并 profdata 时,就可以简单的把这个 Basic Block 在每次运行时的计数相加,从而得到最终计数结果。

但对于一些闭包,甚至是隐式的闭包,它的计数器名字包含了路径信息,目前还不清楚是 Feature 还是 Bug,比如还是以 lock() 函数为例,它的某一部分实现如下图所示:

http://img3.sycdn.imooc.com/611aa24500013f0738280760.jpg

这个 if 判断对应的两个 Basic Block 的计数器,名字就携带了路径信息。这样在合并 profdata 时会被判断为不同的计数器,合并后的 profdata 会包含如下数据:

http://img1.sycdn.imooc.com/611aa2460001cba821600784.jpg

而预期结果是:counter_name = /path/A/counter count = 6

好在经过调研,发现这些计数器的名字除了路径不同外,其它都是一样的。由于我们使用的可执行文件,对应的是第一个 profdata,因此只需要在其它的 profdata 中,把计数器名字中的路径都修改成和第一个 profdata 中的路径即可。

由于 LLVM 并没有提供修改 profdata 的工具,所以最初的做法是使用 sed 直接修改二进制文件。经过尝试发现,虽然可以成功修改路径,但是只要路径长度发生了变化,就会破坏 profdata 文件的格式,导致无法读取。这可能是由于 profdata 内部特定的布局结构导致的。而 CI 环境的工作目录随机,并不保证长度一致,因此这种解决方案宣告失败。

最终的解决方案是从上游数据入手,由于 profdata 是由 profraw 文件生成而来,两者数据完全等价。因此把目光转向 profraw 文件的处理。通过阅读文档,发现 llvm-profdata merge 命令支持选择输出结果的格式,除了默认二进制的格式外,还支持 -text 参数,生成纯文本格式的 profdata。此时再修改路径,就不会破坏 profdata 的格式了。

经过验证,文本格式的 profdata 的 merge 效果同样符合预期,同一个计数器的调用次数被正确的相加,最终生成了正确的覆盖率报告。

方案总结

本文通过分析 Swift 代码覆盖率的实现原理,支持了分布式编译和测试 Swift 代码后,合并展示覆盖率,从根本上控制了 CI 的耗时,为后续更复杂场景下的质量保障提供了可行性。

具体的做法是:

  • 将每个测试结果的 profraw 文件解析为文本格式的 profdata 并且统一路径

  • 合并多个 profdata 得到真实的覆盖率数据

  • 使用 llvm-cov -path-equivalence 命令完成源码路径的映射

随着这套方案的落地,我们拆分了五个测试,整体 CI 耗时从原先的 30 分钟以上下降到 10 分钟左右。同时在 Swift 覆盖率方面有了一定的技术积累和储备,后续可以进行覆盖率 Diff 分析和卡口等


作者:bestswifter




这篇关于深入理解 Swift 代码覆盖率的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程