Neste exercício, iremos explorar a evolução de código em sistemas reais.

Iremos utilizar a ferramenta GitEvo. Essa ferramenta analisa a evolução de código em repositórios Git nas linguagens Python, JavaScript, TypeScript e Java, e gera relatórios HTML como este.

Mais exemplos de relatórios podem ser podem ser encontrados em https://github.com/andrehora/gitevo-examples.

Selecione um repositório relevante na linguagem de sua preferência (Python, JavaScript, TypeScript ou Java). Você pode encontrar projetos interessantes nos links abaixo:

• Python: https://github.com/topics/python?l=python
• JavaScript: https://github.com/topics/javascript?l=javascript
• TypeScript: https://github.com/topics/typescript?l=typescript
• Java: https://github.com/topics/java?l=java

Instale a ferramenta GitEvo com o comando:

$ pip install gitevo

Execute a ferramenta no repositório selecionado utilizando o comando abaixo (ajuste conforme a linguagem do repositório). Substitua <git_url> pela URL do repositório que será analisado:

# Python
$ gitevo -r python <git_url>

# JavaScript
$ gitevo -r js <git_url>

# TypeScript
$ gitevo -r ts <git_url>

# Java
$ gitevo -r java <git_url>

Por exemplo, para analisar o projeto Flask escrito em Python:

$ gitevo -r python https://github.com/pallets/flask

Após executar a ferramenta GitEvo, é gerado um relatório HTML contendo diversos gráficos sobre a evolução do código.

Abra o relatório HTML e observe com atenção os gráficos.

Selecione um dos gráficos de evolução e explique-o com suas palavras. Por exemplo, você pode:

• Detalhar a evolução ao longo do tempo
• Detalhar se as curvas estão de acordo com boas práticas
• Explicar grandes alterações nas curvas
• Explorar a documentação do repositório em busca de explicações para grandes alterações
• etc.

Seja criativo!

1. Crie um fork deste repositório (mais informações sobre forks aqui).
2. Adicione o relatório HTML no seu fork.
3. No Moodle, submeta apenas a URL do seu fork.

https://github.com/tensorflow/tensorflow

O gráfico mostra que entre 2015 e 2016 houve pouca evolução e até redução de código, reflexo da fase inicial do projeto. De 2017 a 2019 ocorre um forte crescimento, ultrapassando 1 milhão de linhas, devido à rápida expansão de funcionalidades. Em 2020 há uma queda significativa, explicada pela refatoração do TensorFlow 2.0, que simplificou APIs e removeu código legado. A partir de 2021 o crescimento se estabiliza em torno de 1,2 milhão de linhas, indicando maturidade do projeto. Essa trajetória segue boas práticas: expansão inicial, refatoração para reduzir complexidade e estabilização em longo prazo.