code2schema 0.1.7

Semantic compiler: Code → AST → CQRS Model → Workflow DAG → Proto/Schema

code2schema

AI Cost Tracking

• 🤖 LLM usage: $0.7500 (5 commits)
• 👤 Human dev: ~$430 (4.3h @ $100/h, 30min dedup)

Generated on 2026-05-07 using openrouter/qwen/qwen3-coder-next

---

Semantic Compiler for Software Systems

Przekształca kod Python w model semantyczny CQRS → kontrakty API → graf architektury.

CODE (.py)
  ⬇  AST extraction (built-in ast)
  ⬇  CQRS inference (Query / Command / Orchestrator)
  ⬇  Call Graph (NetworkX)
  ⬇  Event Model (DDD / Event Sourcing)
  ⬇  Workflow DAG
  ⬇  Quality Rules
  ↓
JSON schema · .proto · Markdown · GraphML · DOT

Instalacja

pip install code2schema

Opcjonalne backendy:

pip install "code2schema[proto]"   # grpcio-tools → kompilacja .proto
pip install "code2schema[neo4j]"   # eksport do bazy grafowej
pip install "code2schema[viz]"     # pyvis → wizualizacja HTML
pip install "code2schema[dev]"     # pytest + ruff + black

Szybki start

# Analiza z auto-generowanymi nazwami plików (w katalogu bieżącym)
code2schema /home/tom/github/maskservice/c2004/backend
# → c2004_schema.json

# Pełna analiza ze wszystkimi formatami wyjściowymi
code2schema ./backend --proto --md --html
# → backend_schema.json
# → backend_api.proto
# → backend_report.md
# → backend_viz.html

# Pełna analiza ze szczegółami
code2schema ./backend --proto --md --html --graph-summary --events --cycles

Przykładowy output:

✅ Gotowe (1.8s)
   Modules  : 607
   Functions: 3142
   Queries  : 1518
   Commands : 505
   Orchest. : 1119
   Workflows: 1118
   Rules    : 320
   Graph    : 2922N / 5612E
   → c2004_schema.json
   → c2004_api.proto
   → c2004_report.md

Test na dużym projekcie (c2004 backend)

Analiza produkcyjnego projektu IoT (607 modułów, 3142 funkcje):

code2schema /home/tom/github/maskservice/c2004/backend --proto --md --html
# Pliki generowane w /home/tom/github/maskservice/c2004/ (katalog projektu)

Wyniki:

✅ Gotowe (1.8s)
   Modules  : 607
   Functions: 3142
   Queries  : 1518
   Commands : 505
   Orchest. : 1119
   Workflows: 1118
   Rules    : 320
   Graph    : 2922N / 5612E
   → c2004_schema.json
   → c2004_api.proto
   → c2004_report.md
   → c2004_viz.html

Dokumentacja i przykłady

• Dokumentacja — przykłady użycia CLI i Python API
  • CLI examples
  • Python API — basic
  • Python API — advanced
  • Sample outputs

Wykryte cykle w architekturze CQRS (do refaktoryzacji):

• handle → publish → _execute → publish → handle

Wygenerowane artefakty:

• c2004_schema.json (2.9MB) — pełny model
• c2004_api.proto (188KB) — gRPC contracts
• c2004_report.md (49KB) — podsumowanie jakości
• c2004_viz.html (1.1MB) — interaktywny graf D3.js z wyszukiwaniem i filtrowaniem

Użycie w kodzie

from code2schema import extract_project, analyze
from code2schema.analyzer.graph import build_rich_graph, graph_summary
from code2schema.analyzer.events import infer_event_model
from code2schema.codegen import to_proto, to_markdown
from pathlib import Path

# Ekstrakcja + analiza
modules = extract_project(Path("./backend"))
schema  = analyze(modules)

# CQRS
print(f"Queries:      {len(schema.queries())}")
print(f"Commands:     {len(schema.commands())}")
print(f"Orchestrators:{len(schema.orchestrators())}")

# Graf
G = build_rich_graph(schema)
print(graph_summary(G, schema))

# Event Model (DDD)
em = infer_event_model(modules)
print(em.summary())

# Eksport
print(to_proto(schema))
print(to_markdown(schema))

Wizualizacja HTML (--html)

Interaktywny graf D3.js z funkcjami:

• Kolory ról: 🟢 Query, 🟠 Command, 🟣 Orchestrator
• Wyszukiwanie — filtruje węzły w czasie rzeczywistym
• Hover — podświetla połączenia (call graph)
• Klik — szczegóły funkcji (fan-out, side effects, reguły jakości)
• Filtry — pokazuj/ukrywaj kategorie ról
• Force layout — przeciąganie węzłów

code2schema ./backend --html viz.html
# Otwórz w przeglądarce: open viz.html

Architektura paczki

code2schema/
├── core/
│   ├── models.py       # IR: FunctionIR, ModuleIR, SchemaIR (Pydantic)
│   └── extractor.py    # AST parser (stdlib ast, bez zależności)
├── analyzer/
│   ├── cqrs.py         # CQRS inference + WorkflowDAG + Rules
│   ├── graph.py        # NetworkX: centrality, hubs, cycles, GraphML/DOT
│   └── events.py       # DDD / Event Sourcing inference
├── codegen/
│   └── __init__.py     # JSON, .proto, Markdown generators
└── cli.py              # entry point: code2schema <path> [flags]

Klasy CQRS

Rola	Kryterium
query	brak side-effectów, fan-out = 0
command	side-effects (IO, network, DB)
orchestrator	fan-out ≥ 5 (wywołuje wiele funkcji)

Reguły jakości

Automatycznie generowane:

ID	Warunek	Akcja
HIGH_FAN_OUT	fan-out ≥ 10	refactor_to_service
LONG_FUNCTION	lines > 100	split_function
QUERY_WITH_SIDE_EFFECTS	query + IO	separate_command_from_query

Graph export

GraphML można otworzyć w Gephi, yEd lub zaimportować do Neo4j.
DOT renderuje Graphviz: dot -Tsvg graph.dot -o graph.svg

Biblioteki

Kategoria	Biblioteka	Po co
Parsing	ast (stdlib)	Parsowanie Python bez zależności
Parsing	libcst	Modyfikacja kodu z zachowaniem formatowania
Parsing	tree-sitter	Multi-language (Go, TS, Rust) — v4
Graf	networkx	Call graph, centrality, cykle
Graf	neo4j	Eksport do bazy grafowej
Wizualizacja	pyvis	Interaktywny HTML
Schema	pydantic	IR models + walidacja
Proto	grpcio-tools	Kompilacja .proto → kod

Roadmap

• v0.1 — AST extraction, CQRS inference, JSON/Proto/MD output
• v0.1 — NetworkX call graph, GraphML/DOT export, PageRank
• v0.1 — Event Model (DDD), layer violation detection
• v0.2 — libcst extractor (zachowanie formatowania, transformacje)
• v0.2 — tree-sitter multi-language (Go, TypeScript, Rust)
• v0.3 — Neo4j export, pyvis HTML visualization
• v0.3 — Cross-language code generator (proto → Go/TS stubs)
• v0.4 — Data Flow Graph (DFG), State model extraction

Licencja

MIT

License

Licensed under Apache-2.0.