Linux中國

在 Git 倉庫中,文件究竟被存儲在哪裡?

大家好!今天我和一個朋友討論 Git 的工作原理,我們感到奇怪,Git 是如何存儲你的文件的?我們知道它存儲在 .git 目錄中,但具體到 .git 中的哪個位置,各個版本的歷史文件又被存儲在哪裡呢?

以這個博客為例,其文件存儲在一個 Git 倉庫中,其中有一個文件名為 content/post/2019-06-28-brag-doc.markdown。這個文件在我的 .git 文件夾中具體的位置在哪裡?過去的文件版本又被存儲在哪裡?那麼,就讓我們通過編寫一些簡短的 Python 代碼來探尋答案吧。

Git 把文件存儲在 .git/objects 之中

你的倉庫中,每一個文件的歷史版本都被儲存在 .git/objects 中。比如,對於這個博客,.git/objects 包含了 2700 多個文件。

$ find .git/objects/ -type f | wc -l
2761

注意:.git/objects 包含的信息,不僅僅是 「倉庫中每一個文件的所有先前版本」,但我們暫不詳細討論這一內容。

這裡是一個簡短的 Python 程序(find-git-object.py),它可以幫助我們定位在 .git/objects 中的特定文件的具體位置。

import hashlib
import sys

def object_path(content):
    header = f"blob {len(content)}"
    data = header.encode() + content
    sha1 = hashlib.sha1()
    sha1.update(data)
    digest = sha1.hexdigest()
    return f".git/objects/{digest[:2]}/{digest[2:]}"

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

此程序的主要操作如下:

  • 讀取文件內容
  • 計算一個頭部(blob 16673),並將其與文件內容合併
  • 計算出文件的 sha1 校驗和(此處為 e33121a9af82dd99d6d706d037204251d41d54
  • 將這個 sha1 校驗和轉換為路徑(如 .git/objects/e3/3121a9af82dd99d6d706d037204251d41d54

運行的方法如下:

$ python3 find-git-object.py content/post/2019-06-28-brag-doc.markdown
.git/objects/8a/e33121a9af82dd99d6d706d037204251d41d54

術語解釋:「內容定址存儲」

這種存儲策略的術語為「 內容定址存儲 content addressed storage 」,它指的是對象在資料庫中的文件名與文件內容的哈希值相同。

內容定址存儲的有趣之處就是,假設我有兩份或許多份內容完全相同的文件,在 Git 的資料庫中,並不會因此佔用額外空間。如果內容的哈希值是 aabbbbbbbbbbbbbbbbbbbbbbbbb,它們都會被存儲在 .git/objects/aa/bbbbbbbbbbbbbbbbbbbbb 中。

這些對象是如何進行編碼的?

如果我嘗試在 .git/objects 目錄下查看這個文件,顯示的內容似乎有一些奇怪:

$ cat .git/objects/8a/e33121a9af82dd99d6d706d037204251d41d54
x^A<8D><9B>}s<E3>Ƒ<C6><EF>o|<8A>^Q<9D><EC>ju<92><E8><DD><9C><9C>*<89>j<FD>^...

這是怎麼回事呢?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,然後用 zlib 模塊去解壓這些數據:

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果:

$ python3 decompress.py .git/objects/8a/e33121a9af82dd99d6d706d037204251d41d54
blob 16673title: "Get your work recognized: write a brag document"
date: 2019-06-28T18:46:02Z
url: /blog/brag-documents/
categories: []
... the entire blog post ...

結果顯示,這些數據的編碼方式非常簡單:首先有 blob 16673 標識,其後就是文件的全部內容。

這裡並沒有差異性數據(diff)

這裡有一件我第一次知道時讓我感到驚訝的事:這裡並沒有任何差異性數據!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容,而並非與前一版本的差異。

儘管 Git 實際上有時候會以差異性數據存儲文件(例如,當你運行 git 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」),但在我個人經驗中,我從未需要關注這個細節,所以我們不在此深入討論。然而,關於這種格式如何工作,Aditya Mukerjee 有篇優秀的文章 《拆解 Git 的打包文件》。

博客文章的舊版本在哪?

你可能會好奇:如果在我修復了一些錯別字之前,這篇博文已經存在了 8 個版本,那它們在 .git/objects 目錄中的位置是哪裡?我們如何找到它們呢?

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

然後,我們選擇一個之前的提交,比如 026c0f52。提交也被存儲在 .git/objects 中,我們可以嘗試在那裡找到它。但是失敗了!因為 ls .git/objects/02/6c* 沒有顯示任何內容!如果有人告訴你,「我們知道有時 Git 會打包對象來節省空間,我們並不需過多關心它」,但現在,我們需要去面對這個問題了。

那就讓我們去解決它吧。

讓我們開始解包一些對象

現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行操作:

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

這種直接對庫進行手術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,所以我並不太擔心。

解包所有的對象文件後,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。看起來很酷。

find .git/objects/ -type f | wc -l
20138

我們回頭再看看提交

現在我們可以繼續看看我們的提交 026c0f52。我們之前說過 .git/objects 中並不都是文件,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 是在哪裡被保存的,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

經過解包後,我們現在可以在 .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 <julia@jvns.ca> 1561998673 -0400
committer Julia Evans <julia@jvns.ca> 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,但是它在格式化數據時做得更好一些。(-p 選項意味著它能夠以更友好的方式進行格式化)

查看提交的第二步:找到樹

這個提交包含一個。樹是什麼呢?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,儘管我不得不移除 .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。主要的問題在於,該提交的哈希(xc3xf7$8x9bx8dOx19/x18xb7}|xc7xcex8e…)是原始位元組,而沒有進行十六進位的編碼,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據,我不想自己編寫一個解析器。

$ git cat-file -p 01832a9109ab738dac78ee4e95024c74b9b71c27
100644 blob c3f76024389b8d4f192f18b77d7cc7ce8e3a68ad    .gitignore
100644 blob 7ebaecb311a05e1ca9a43f1eb90f1c6647960bc1    README.md
100644 blob 0f21dc9bf1a73afc89634bac586271384e24b2c9    Rakefile
100644 blob 00b9d54abd71119737d33ee5d29d81ebdcea5a37    config.yaml
040000 tree 61ad34108a327a163cdd66fa1a86342dcef4518e    content <-- 這是我們接下來的目標
040000 tree 6d8543e9eeba67748ded7b5f88b781016200db6f    layouts
100644 blob 22a321a88157293c81e4ddcfef4844c6c698c26f    mystery.rb
040000 tree 8157dc84a37fca4cb13e1257f37a7dd35cfe391e    scripts
040000 tree 84fe9c4cb9cef83e78e90a7fbf33a9a799d7be60    static
040000 tree 34fd3aa2625ba784bced4a95db6154806ae1d9ee    themes

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

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!
100644 blob 2d7d22581e64ef9077455d834d18c209a8f05302    profiler-project.markdown
040000 tree 06bd3cee1ed46cf403d9d5a201232af5697527bb    projects
040000 tree 65e9357973f0cc60bedaa511489a9c2eeab73c29    talks
040000 tree 8a9d561d536b955209def58f5255fc7fe9523efd    zines

還未結束……

查看提交的第四步:更多的樹……

我們要尋找的文件位於 post/ 目錄,因此我們需要進一步探索:

$ 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 之所以位於列表最後,是因為在發布時它是最新的博文。

查看提交的第五步:我們終於找到它!

經過努力,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,因此它位於 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 15924title: "Get your work recognized: write a brag document"
date: 2019-06-28T18:46:02Z
url: /blog/brag-documents/
categories: []
... 文件的剩餘部分在此 ...

這就是博文的舊版本!如果我執行命令 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 的運行機制

我們剛剛經歷的整個過程(找到提交、逐層遍歷目錄樹、搜索所需文件名)看似繁瑣,但實際上當我們執行 git log content/post/2019-06-28-brag-doc.markdown 時,背後就是這樣在運行。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),並查看它是否自上一提交以來有所改變。

這就是為什麼有時 git log FILENAME 會執行的有些緩慢 —— 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 中所有的內容,看看有多少對象文件:

$ find .git/objects/ -type f | grep -v pack | awk -F/ &apos;{print $3 $4}&apos; | wc -l
20135

但並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,遍歷所有對象並檢查是否以 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/ &apos;{print $3 $4}&apos; | python3 find-blobs.py | wc -l
6713

於是,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,以備我想著要恢復它們時使用。太好了!

就這些啦!

這個 gist 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。

作為一個有趣的後續:我提交這篇博文後,Git 就警告我倉庫中的對象太多(我猜 20,000 太多了!),並運行 git gc 將它們全部壓縮成打包文件。所以現在我的 .git/objects 目錄已經被壓縮得十分小了:

$ find .git/objects/ -type f | wc -l
14

(題圖:MJ/319a396c-6f3f-4891-b051-261312c8ea9a)

via: https://jvns.ca/blog/2023/09/14/in-a-git-repository--where-do-your-files-live-/

作者:Julia Evans 選題:lujun9972 譯者:ChatGPT 校對:wxy

本文由 LCTT 原創編譯,Linux中國 榮譽推出


本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive

對這篇文章感覺如何?

太棒了
0
不錯
0
愛死了
0
不太好
0
感覺很糟
0
雨落清風。心向陽

    You may also like

    Leave a reply

    您的電子郵箱地址不會被公開。 必填項已用 * 標註

    此站點使用Akismet來減少垃圾評論。了解我們如何處理您的評論數據

    More in:Linux中國