写给 C 语言初学者 的代码查重系统实现教程。

A C-based Code Clone Detector built from scratch for educational purposes.

CCD 是一个 完全使用 C 语言 从零编写的代码查重工具。

它不依赖任何复杂的第三方库，旨在通过构建一个实际的工程，帮助初学者彻底掌握 C 语言的核心特性与工程化开发方法。

点击进入：完整开发教程

这不仅仅是为了做一个查重工具，而是为了 打通 C 语言的任督二脉：

• 告别“野路子”：你将学会 CMake 构建、模块化编程、头文件管理，而不是把所有代码塞进 main.c。
• 掌握内存的艺术：C 语言没有 vector？我们自己写一个支持泛型的动态数组！彻底理解 malloc、free 和内存泄漏。
• 数据结构实战：链表、哈希表、树……这些课本上的概念，在这里是你解决问题的唯一武器。
• 接触核心算法：了解业界如何使用 MinHash 处理海量文本相似度，从“做题家”转变为“工程师”。

这是本项目的 核心架构，也是你将要实现的功能：

graph LR
    Code[源代码] --> T[Tokens 词法流]
    T --> SU[StatementUnit 粗粒度语句]
    SU --> DU[DeclUnit 声明解析]
    DU --> AST[ASTNode 抽象语法树]
    AST --> Norm[归一化 & N-Grams]
    Norm --> Hash[MinHash 指纹]
    Hash --> Result[相似度报告]

1. Tokenizer: 把 int a = 1; 切分为 [INT, ID, ASSIGN, NUM, SEMI]。
2. StatementUnit: 利用 {} 和 ; 进行粗略分块，先不管里面是声明还是表达式，把骨架提取出来。（抗代码混淆第一步）
3. DeclUnit & Symbol Table: 建立符号表，能够区分 T * a; 到底是“指针声明”还是“乘法运算”。
4. ASTNode: （待完成）构建完整的语法树，理解 if/else/while 逻辑结构。
5. N-Grams + MinHash: （待完成）将树结构转化为数学特征向量，利用概率算法在海量代码中秒出查重结果。

• 基础设施: 动态数组 Vector、哈希表 HashMap。
• 词法分析: 完整的 Tokenizer 词法解析，支持 C98 关键字。
• 粗粒度扫描: StatementUnit 划分 (Compound, Loop, If, etc.)。
• 声明解析: DeclUnit 与复杂的声明符解析 (指针/数组/函数嵌套)。
• 语法树构建: 将 DeclUnit 转化为精细的 AST（抽象语法树）。
• 指纹算法: 实现 N-gram 滑动窗口与 MinHash 估值。

你需要一个 C 编译器 (GCC/Clang) 和 CMake。

# 1. 下载项目
git clone https://github.com/pjh456/ccd.git
cd ccd

# 2. 建立构建目录（保持源码整洁）
mkdir build && cd build

# 3. 编译
cmake ..
make

# 4. 运行工具（目前阶段）
./ccd_cli -U ../tests/test_code.c  # 查看粗粒度单元划分

ccd/
├── docs/                 # 循序渐进的文字教程（核心部分！）
├── include/              # 头文件（对外接口，告诉别人“我有什么”）
├── src/                  # 源文件（内部实现，告诉机器“怎么做”）
├── tests/                # 测试用例（保证代码没写挂）
└── CMakeLists.txt        # 项目的“说明书”

如果你在学习过程中发现了 Bug，或者觉得教程哪里没讲清楚，欢迎提交 Issue 或 PR！

MIT License.

完全开源！