Git 历险记(四)——索引与提交的幕后故事

  • 刘辉

2011 年 3 月 17 日

话题:Java.NETRuby开源DevOps语言 & 开发架构

不一样的索引

我想如果看过《Git 历险记》的前面三篇文章的朋友可能已经知道怎么用git addgit commit这两个命令了;知道它们一个是把文件暂存到索引中为下一次提交做准备,一个创建新的提交(commit)。但是它们台前幕后的一些有趣的细节大家不一定知晓,请允许我一一道来。

Git 索引是一个在你的工作目录(working tree)和项目仓库间的暂存区域 (staging area)。有了它, 你可以把许多内容的修改一起提交 (commit)。 如果你创建了一个提交 (commit),那么提交的一般是暂存区里的内容, 而不是工作目录中的内容。

一个 Git 项目中文件的状态大概分成下面的两大类,而第二大类又分为三小类:

  1. 未被跟踪的文件(untracked file)
  2. 已被跟踪的文件(tracked file)
    1. 被修改但未被暂存的文件(changed but not updated 或 modified)
    2. 已暂存可以被提交的文件(changes to be committed 或 staged)
    3. 自上次提交以来,未修改的文件 (clean 或 unmodified)

看到上面的这么多的规则,大家早就头大了吧。老办法,我们建一个 Git 测试项目来试验一下:

我们先来建一个空的项目:

$rm -rf stage_proj
$mkdir stage_proj
$cd stage_proj
$git init
Initialized empty Git repository in /home/test/work/test_stage_proj/.git/

我们还创建一个内容是“hello, world”的文件:

$echo "hello,world" > readme.txt

现在来看一下当前工作目录的状态,大家可以看到“readme.txt”处于未被跟踪的状态(untracked file):

$git status
# On branch master
#
# Initial commit
#
# Untracked files:
#   (use "git add <file>..." to include in what will be committed)
#
#   readme.txt
nothing added to commit but untracked files present (use "git add" to track)

把“readme.txt"加到暂存区: $git add readme.txt

现在再看一下当前工作目录的状态:

$git status
# On branch master
#
# Initial commit
#
# Changes to be committed:
#   (use "git rm --cached <file>..." to unstage)
#
#   new file:   readme.txt
#

可以看到现在"readme.txt"的状态变成了已暂存可以被提交(changes to be committed),这意味着我们下一步可以直接执行“git commit“把这个文件提交到本地的仓库里去了。

暂存区(staging area)一般存放在“git 目录“下的 index 文件(.git/index)中,所以我们把暂存区有时也叫作索引(index)。索引是一个二进制格式的文件,里面存放了与当前暂存内容相关的信息,包括暂存的文件名、文件内容的 SHA1 哈希串值和文件访问权限,整个索引文件的内容以暂存的文件名进行排 序保存的。

但是我不想马上就把文件提交,我想看一下暂存区(staging area)里的内容,我们执行git ls-files命令看一下:

$git ls-files --stage
100644 2d832d9044c698081e59c322d5a2a459da546469 0   readme.txt

我们如果有看过上一篇文章里 的"庖丁解牛", 你会发现“git 目录“里多出了”.git/objects/2d/832d9044c698081e59c322d5a2a459da546469”这么一个文件,再执行“git cat-file -p 2d832d” 的话,就可以看到里面的内容正是“hello,world"。Git 在把一个文件添加暂存区时,不但把它在索引文件 (.git/index) 里挂了号,而且把它的内容先保存到了“git 目录“里面去了。

如果我们执行”git add“命令时不小心把不需要的文件也加入到暂存区中话,可以执行“git rm --cached filename" 来把误添加的文件从暂存区中移除。

现在我们先在"readme.txt"文件上做一些修改后:

$echo "hello,world2" >> readme.txt

再来看一下暂存区的变化:

$git status
# On branch master
#
# Initial commit
#
# Changes to be committed:
#   (use "git rm --cached <file>..." to unstage)
#
#   new file:   readme.txt
#
# Changed but not updated:
#   (use "git add <file>..." to update what will be committed)
#   (use "git checkout -- <file>..." to discard changes in working directory)
#
#   modified:   readme.txt
#

大家可以看到命令输出里多了一块内容:“changed but not updated ...... modified: readme.txt”。大家可能会觉得很奇怪,我前面不是把"readme.txt"这个文件给添加到暂存区里去了吗,这里怎么又提示我未添加到暂存区 (changed but not updated)呢,是不是 Git 搞错了呀。

Git 没有错,每次执行“git add”添加文件到暂存区时,它都会把文件内容进行 SHA1 哈希运算,在索引文件中新加一项,再把文件内容存放到本地的“git 目录“里。如果在上次执行 “git add”之后再对文件的内容进行了修改,那么在执行“git status”命令时,Git 会对文件内容进行 SHA1 哈希运算就会发现文件又被修改了,这时“readme.txt“就同时呈现了两个状态:被修改但未被暂存的文件(changed but not updated),已暂存可以被提交的文件(changes to be committed)。如果我们这时提交的话,就是只会提交第一次“git add"所以暂存的文件内容。

我现在对于“hello,world2"的这个修改不是很满意,想要撤消这个修改,可以执行git checkout这个命令:

$git checkout -- readme.txt

现在再来看一下仓库里工作目录的状态:

$git status
# On branch master
#
# Initial commit
#
# Changes to be committed:
#   (use "git rm --cached <file>..." to unstage)
#
#   new file:   readme.txt
#

好的,现在项目恢复到我想要的状态了,下面我就用git commit 命令把这个修改提交了吧:

$git commit -m "project init"
[master (root-commit) 6cdae57] project init   1 files changed, 1 insertions(+), 0 deletions(-)    create mode 100644 readme.txt

现在我们再来看一下工作目录的状态:

$git status
# On branch master
nothing to commit (working directory clean)

大家可以看到“nothing to commit (working directory clean)”;如果一个工作树(working tree)中所有的修改都已提交到了当前分支里(current head),那么就说它是干净的(clean),反之它就是脏的 (dirty)。

SHA1 值内容寻址

正如Git is the next Unix 一文中所说的一样,Git 是一种全新的使用数据的方式(Git is a totally new way to operate on data)。Git 把它所管理的所有对象(blob,tree,commit,tag……),全部根据它们的内容生成 SHA1 哈希串值作为对象名;根据目前的数学知识,如果两块数据的 SHA1 哈希串值相等,那么我们就可以认为这两块数据是相同 的。这样会带来的几个好处:

  1. Git 只要比较对象名,就可以很快的判断两个对象的内容是否相同。
  2. 因为在每个仓库(repository)的“对象名”的计算方法都完全一样,如果同样的内容存在两个不同的仓库中,就会存在相同的“对象名”。
  3. Git 还可以通过检查对象内容的 SHA1 的哈希值和“对象名”是否匹配,来判断对象内容是否正确。

我们通过下面的例子,来验证上面所说的是否属实。现在创建一个和“readme.txt“内容完全相同的文件”readme2.txt“,然后再把它提交到本地仓库中:

$echo "hello,world" > readme2.txt
$git add readme2.txt
$git commit -m "add new file: readme2.txt"
[master 6200c2c] add new file: readme2.txt
1 files changed, 1 insertions(+), 0 deletions(-)
create mode 100644 readme2.txt

下面的这条很复杂的命令是查看当前的提交(HEAD)所包含的 blob 对象:

$git cat-file -p HEAD | head -n 1 | cut -b6-15 | xargs git cat-file -p
100644 blob 2d832d9044c698081e59c322d5a2a459da546469    readme.txt
100644 blob 2d832d9044c698081e59c322d5a2a459da546469    readme2.txt

我们再来看看上一次提交(HEAD^)所包含的 blob 对象:

$git cat-file -p HEAD^ | head -n 1 | cut -b6-15 | xargs git cat-file -p
100644 blob 2d832d9044c698081e59c322d5a2a459da546469    readme.txt

很明显大家看到尽管当前的提交比前一次多了一个文件,但是它们之间却是在共用同一个 blob 对象:“2d832d9”。

No delta, just snapshot

Git 与大部分你熟悉的版本控制系统,如 Subversion、CVS、Perforce 之间的差别是很大的。传统系统使用的是: “增量文件系统” (Delta Storage systems),它们存储是每次提交之间的差异。而 Git 正好与之相反,它是保存的是每次提交的完整内容(snapshot);它会在提交前根据要提交 的内容求 SHA1 哈希串值作为对象名,看仓库内是否有相同的对象,如果没有就将在“.git/objects"目录创建对应的对象,如果有就会重用已有的 对象,以节约空间。

下面我们来试验一下 Git 是否真的是以“snapshot”方式保存提交的内容。

先修改一下"readme.txt",给里面加点内容,再把它暂存,最后提交到本地仓库中:

$echo "hello,world2" >> readme.txt
$git add readme.txt
$git commit -m "add new content for readme.txt"
[master c26c2e7] add new content for readme.txt   1 files changed, 1 insertions(+), 0 deletions(-)

我们现在看看当前版本所包含的 blob 对象有哪些:

$git cat-file -p HEAD | head -n 1 | cut -b6-15 | xargs git cat-file -p
100644 blob 2e4e85a61968db0c9ac294f76de70575a62822e1    readme.txt
100644 blob 2d832d9044c698081e59c322d5a2a459da546469    readme2.txt

从上面的命令输出,我们可以看到"readme.txt"已经对应了一个新的 blob 对象:“2e4e85a”,而之前版本的"readme.txt“对应的 blob 对象是:“2d832d9”。下面我们再来看一看这两个”blob“里面的内容和我们的预期是否相同:

$git cat-file -p 2e4e85a
hello,world
hello,world2
$git cat-file -p 2d832d9
hello,world

大家可以看到,每一次提交的文件内容还是全部保存的(snapshot)。

小结

Git 内在机制和其它传统的版本控制系统(VCS)间存在本质的差异,所以 Git 的里"add"操作的含义和其它 VCS 存在差别也不足为奇,“git add“不但能把未跟踪的文件(untracked file)添加到版本控制之下,也可以把修改了的文章暂存到索引中。

同时,由于采用“SHA1 哈希串值内容寻值“和”快照存储(snapshot)“,让 Git 成为一个速度非常非常快的版本控制系统(VCS)。

参考

致谢

感谢上帝对我的眷顾,让我可以有写作专栏的这样一个机会。

感谢朋友们在写作过程的无私帮助:张凯峰刘炜许晓斌Fenng……

特别要感謝家人默默支持:)

Java.NETRuby开源DevOps语言 & 开发架构