Git是如何存儲文件的？Git的工作原理解析

這是怎么回事呢？讓我們來運行file命令檢查一下：

$ file .git/objects/8a/e33121a9af82dd99d6d706d037204251d41d54

.git/objects/8a/e33121a9af82dd99d6d706d037204251d41d54: zlib compressed data

原來，它是壓縮的！我們可以編寫一個小巧的 Python 程序——decompress.py，然后用zlib模塊去解壓這些數(shù)據(jù)：

import zlib

import sys

with open(sys.argv[1], "rb") as f:

content = f.read()

print(zlib.decompress(content).decode())

讓我們來解壓一下看看結(jié)果：

$ python3 decompress.py .git/objects/8a/e33121a9af82dd99d6d706d037204251d41d54

blob 16673---

title: "Get your work recognized: write a brag document"

date: 2019-06-28T18:46:02Z

url: /blog/brag-documents/

categories: []

---

... the entire blog post ...

結(jié)果顯示，這些數(shù)據(jù)的編碼方式非常簡單：首先有blob 16673標(biāo)識，其后就是文件的全部內(nèi)容。

這里并沒有差異性數(shù)據(jù)（diff）

這里有一件我第一次知道時讓我感到驚訝的事：這里并沒有任何差異性數(shù)據(jù)！那個文件是該篇博客文章的第 9 個版本，但 Git 在.git/objects目錄中存儲的版本是完整文件內(nèi)容，而并非與前一版本的差異。

盡管 Git 實際上有時候會以差異性數(shù)據(jù)存儲文件（例如，當(dāng)你運行g(shù)it gc時，為了提升效率，它可能會將多個不同的文件封裝成 “打包文件”），但在我個人經(jīng)驗中，我從未需要關(guān)注這個細(xì)節(jié)，所以我們不在此深入討論。然而，關(guān)于這種格式如何工作，Aditya Mukerjee 有篇優(yōu)秀的文章 《拆解 Git 的打包文件 codewords.recurse.com》。

博客文章的舊版本在哪？

你可能會好奇：如果在我修復(fù)了一些錯別字之前，這篇博文已經(jīng)存在了 8 個版本，那它們在.git/objects目錄中的位置是哪里？我們?nèi)绾握业剿鼈兡兀?/p>

首先，我們來使用git log命令來查找改動過這個文件的每一個提交：

$ git log --oneline content/post/2019-06-28-brag-doc.markdown

c6d4db2d

423cd76a

7e91d7d0

f105905a

b6d23643

998a46dd

67a26b04

d9999f17

026c0f52

72442b67

然后，我們選擇一個之前的提交，比如026c0f52。提交也被存儲在.git/objects中，我們可以嘗試在那里找到它。但是失敗了！因為ls .git/objects/02/6c*沒有顯示任何內(nèi)容！如果有人告訴你，“我們知道有時 Git 會打包對象來節(jié)省空間，我們并不需過多關(guān)心它”，但現(xiàn)在，我們需要去面對這個問題了。

那就讓我們?nèi)ソ鉀Q它吧。

讓我們開始解包一些對象

現(xiàn)在我們需要從打包文件中解包出一些對象。我在 Stack Overflow 上查找了一下，看起來我們可以這樣進(jìn)行操作：

$ mv .git/objects/pack/pack-adeb3c14576443e593a3161e7e1b202faba73f54.pack .

$ git unpack-objects < pack-adeb3c14576443e593a3161e7e1b202faba73f54.pack

這種直接對庫進(jìn)行手術(shù)式的做法讓人有些緊張，但如果我誤操作了，我還可以從 Github 上重新克隆這個庫，所以我并不太擔(dān)心。

解包所有的對象文件后，我們得到了更多的對象：大約有 20000 個，而不是原來的大約 2700 個?？雌饋砗芸?。

find .git/objects/ -type f | wc -l

20138

我們回頭再看看提交

現(xiàn)在我們可以繼續(xù)看看我們的提交026c0f52。我們之前說過.git/objects中并不都是文件，其中一部分是提交！為了弄清楚我們的舊文章content/post/2019-06-28-brag-doc.markdown是在哪里被保存的，我們需要深入查看這個提交。

首先，我們需要在.git/objects中查看這個提交。

查看提交的第一步：找到提交

經(jīng)過解包后，我們現(xiàn)在可以在.git/objects/02/6c0f5208c5ea10608afc9252c4a56c1ac1d7e4中找到提交026c0f52，我們可以用下面的方法去查看它：

$ python3 decompress.py .git/objects/02/6c0f5208c5ea10608afc9252c4a56c1ac1d7e4

commit 211tree 01832a9109ab738dac78ee4e95024c74b9b71c27

parent 72442b67590ae1fcbfe05883a351d822454e3826

author Julia Evans 1561998673 -0400

committer Julia Evans 1561998673 -0400

brag doc

我們也可以用git cat-file -p 026c0f52命令來獲取相同的信息，這個命令能起到相同的作用，但是它在格式化數(shù)據(jù)時做得更好一些。（-p選項意味著它能夠以更友好的方式進(jìn)行格式化）

查看提交的第二步：找到樹

這個提交包含一個樹。樹是什么呢？讓我們看一下。樹的 ID 是01832a9109ab738dac78ee4e95024c74b9b71c27，我們可以使用先前的decompress.py腳本查看這個 Git 對象，盡管我不得不移除.decode()才能避免腳本崩潰。

$ python3 decompress.py .git/objects/01/832a9109ab738dac78ee4e95024c74b9b71c27

這個輸出的格式有些難以閱讀。主要的問題在于，該提交的哈希（xc3xf7$8x9bx8dOx19/x18xb7}|xc7xcex8e…）是原始字節(jié)，而沒有進(jìn)行十六進(jìn)制的編碼，因此我們看到xc3xf7$8x9bx8d而非c3f76024389b8d。我打算切換至git cat-file -p命令，它能以更友好的方式顯示數(shù)據(jù)，我不想自己編寫一個解析器。

$ git cat-file -p 01832a9109ab738dac78ee4e95024c74b9b71c27

100644 blob c3f76024389b8d4f192f18b77d7cc7ce8e3a68ad.gitignore

100644 blob 7ebaecb311a05e1ca9a43f1eb90f1c6647960bc1README.md

100644 blob 0f21dc9bf1a73afc89634bac586271384e24b2c9Rakefile

100644 blob 00b9d54abd71119737d33ee5d29d81ebdcea5a37config.yaml

040000 tree 61ad34108a327a163cdd66fa1a86342dcef4518econtent <-- 這是我們接下來的目標(biāo)

040000 tree 6d8543e9eeba67748ded7b5f88b781016200db6flayouts

100644 blob 22a321a88157293c81e4ddcfef4844c6c698c26fmystery.rb

040000 tree 8157dc84a37fca4cb13e1257f37a7dd35cfe391escripts

040000 tree 84fe9c4cb9cef83e78e90a7fbf33a9a799d7be60static

040000 tree 34fd3aa2625ba784bced4a95db6154806ae1d9eethemes

這是我在這次提交時庫的根目錄中所有的文件。看起來我曾經(jīng)不小心提交了一個名為mystery.rb的文件，后來我刪除了它。

我們的文件在content目錄中，接下來讓我們看看那個樹：61ad34108a327a163cdd66fa1a86342dcef4518e

查看提交的第三步：又一棵樹

$ git cat-file -p 61ad34108a327a163cdd66fa1a86342dcef4518e

040000 tree 1168078878f9d500ea4e7462a9cd29cbdf4f9a56 about

100644 blob e06d03f28d58982a5b8282a61c4d3cd5ca793005 newsletter.markdown

040000 tree 1f94b8103ca9b6714614614ed79254feb1d9676c post <-- 我們接下來的目標(biāo)！

100644 blob 2d7d22581e64ef9077455d834d18c209a8f05302 profiler-project.markdown

040000 tree 06bd3cee1ed46cf403d9d5a201232af5697527bb projects

040000 tree 65e9357973f0cc60bedaa511489a9c2eeab73c29 talks

040000 tree 8a9d561d536b955209def58f5255fc7fe9523efd zines

還未結(jié)束……

查看提交的第四步：更多的樹……

我們要尋找的文件位于post/目錄，因此我們需要進(jìn)一步探索：

$ git cat-file -p 1f94b8103ca9b6714614614ed79254feb1d9676c

.... 省略了大量行 ...

100644 blob 170da7b0e607c4fd6fb4e921d76307397ab89c1e 2019-02-17-organizing-this-blog-into-categories.markdown

100644 blob 7d4f27e9804e3dc80ab3a3912b4f1c890c4d2432 2019-03-15-new-zine--bite-size-networking-.markdown

100644 blob 0d1b9fbc7896e47da6166e9386347f9ff58856aa 2019-03-26-what-are-monoidal-categories.markdown

100644 blob d6949755c3dadbc6fcbdd20cc0d919809d754e56 2019-06-23-a-few-debugging-resources.markdown

100644 blob 3105bdd067f7db16436d2ea85463755c8a772046 2019-06-28-brag-doc.markdown <-- 我們找到了！??！

在此，2019-06-28-brag-doc.markdown之所以位于列表最后，是因為在發(fā)布時它是最新的博文。

查看提交的第五步：我們終于找到它！

經(jīng)過努力，我們找到了博文歷史版本所在的對象文件！太棒了！它的哈希值是3105bdd067f7db16436d2ea85463755c8a772046，因此它位于git/objects/31/05bdd067f7db16436d2ea85463755c8a772046。

我們可以使用decompress.py來查看它：

$ python3 decompress.py .git/objects/31/05bdd067f7db16436d2ea85463755c8a772046 | head

blob 15924---

title: "Get your work recognized: write a brag document"

date: 2019-06-28T18:46:02Z

url: /blog/brag-documents/

categories: []

---

... 文件的剩余部分在此 ...

這就是博文的舊版本！如果我執(zhí)行命令git checkout 026c0f52 content/post/2019-06-28-brag-doc.markdown或者git restore --source 026c0f52 content/post/2019-06-28-brag-doc.markdown，我就會獲取到這個版本。

這樣遍歷樹就是 git log 的運行機(jī)制

我們剛剛經(jīng)歷的整個過程（找到提交、逐層遍歷目錄樹、搜索所需文件名）看似繁瑣，但實際上當(dāng)我們執(zhí)行g(shù)it log content/post/2019-06-28-brag-doc.markdown時，背后就是這樣在運行。它需要逐個檢查你歷史記錄中的每一個提交，在每個提交中核查content/post/2019-06-28-brag-doc.markdown的版本（例如在這個案例中為3105bdd067f7db16436d2ea85463755c8a772046），并查看它是否自上一提交以來有所改變。

這就是為什么有時git log FILENAME會執(zhí)行的有些緩慢 —— 我的這個倉庫中有 3000 個提交，它需要對每個提交做大量的工作，來判斷該文件是否在該提交中發(fā)生過變化。

我有多少個歷史版本的文件？

目前，我在我的博客倉庫中跟蹤了 1530 個文件：

$ git ls-files | wc -l

1530

但歷史文件有多少呢？我們可以列出.git/objects中所有的內(nèi)容，看看有多少對象文件：

$ find .git/objects/ -type f | grep -v pack | awk -F/ '{print $3 $4}' | wc -l

20135

但并不是所有這些都代表過去版本的文件 —— 正如我們之前所見，許多都是提交和目錄樹。不過，我們可以編寫一個小小的 Python 腳本find-blobs.py，遍歷所有對象并檢查是否以blob開頭：

import zlib

import sys

for line in sys.stdin:

line = line.strip()

filename = f".git/objects/{line[0:2]}/{line[2:]}"

with open(filename, "rb") as f:

contents = zlib.decompress(f.read())

if contents.startswith(b"blob"):

print(line)

$ find .git/objects/ -type f | grep -v pack | awk -F/ '{print $3 $4}' | python3 find-blobs.py | wc -l

6713

于是，看起來在我的 Git 倉庫中存放的舊文件版本有6713 - 1530 = 5183個，Git 會為我保存這些文件，以備我想著要恢復(fù)它們時使用。太好了！

就這些啦！

在這個 gist gist.github.com中附上了全部的此篇文章所用代碼，其實沒多少。

我以為我已經(jīng)對 Git 的工作方式了如指掌，但我以前從未真正涉及過打包文件，所以這次探索很有趣。我也很少思考當(dāng)我讓git log跟蹤一個文件的歷史時，它實際上有多大的工作量，因此也很開心能深入研究這個。

作為一個有趣的后續(xù)：我提交這篇博文后，Git 就警告我倉庫中的對象太多（我猜 20,000 太多了?。?，并運行g(shù)it gc將它們?nèi)繅嚎s成打包文件。所以現(xiàn)在我的.git/objects目錄已經(jīng)被壓縮得十分小了：

$ find .git/objects/ -type f | wc -l

14

編輯：黃飛