Git内部原理揭秘!从文件更改到代码储存,Git究竟是怎么实现的

新智元

共 4470字,需浏览 9分钟

 ·

2019-12-28 23:22

4baf8afe127e4378f99c50d96858dd6a.webp


  新智元推荐  来源:腾讯技术工程作者:lzaneli
【新智元导读】本文以一个具体实例结合动图介绍了Git的内部原理,包括Git是如何储存我们的代码和变更历史的、在更改一个文件时,Git内部是怎么变化的、Git这样实现有什么好处等等。戳右边链接上 新智元小程序 了解更多!

91615e0e364177ef9c08585bfd933a64.webp

前言


近几年技术发展十分迅猛,让部分同学养成了一种学习知识停留在表面,只会调用一些指令的习惯。我们时常有一种“我会用这个技术、这个框架”的错觉,等到真正遇到问题,才发现事情没有那么简单。


而Git也是一个大部分人都知道如何去使用它,知道有哪些命令,却只有少部分人知道具体原理的东西。了解一些底层的东西,可以更好的帮你理清思路,知道你真正在操作什么,不会迷失在Git大量的指令和参数上面。


Git是怎么储存信息的


这里会用一个简单的例子让大家直观感受一下git是怎么储存信息的。首先我们先创建两个文件:


$ git init$ echo '111' > a.txt$ echo '222' > b.txt$ git add *.txt


Git会将整个数据库储存在.git/目录下,如果你此时去查看.git/objects目录,你会发现仓库里面多了两个object。


$ tree .git/objects.git/objects├── 58│   └── c9bdf9d017fcd178dc8c073cbfcbb7ff240d6c├── c2│   └── 00906efd24ec5e783bee7f23b5d7c941b0c12c├── info└── pack


好奇的我们来看一下里面存的是什么东西:


$ cat .git/objects/58/c9bdf9d017fcd178dc8c073cbfcbb7ff240d6cxKOR0a044K%


怎么是一串乱码?这是因为Git将信息压缩成二进制文件。但是不用担心,因为Git也提供了一个能够帮助你探索它的api git cat-file [-t] [-p], -t可以查看object的类型,-p可以查看object储存的具体内容。


$ git cat-file -t 58c9blob$ git cat-file -p 58c9111


可以发现这个object是一个blob类型的节点,他的内容是111,也就是说这个object储存着a.txt文件的内容。


这里我们遇到第一种Git object,blob类型,它只储存的是一个文件的内容,不包括文件名等其他信息。然后将这些信息经过SHA1哈希算法得到对应的哈希值
58c9bdf9d017fcd178dc8c073cbfcbb7ff240d6c,作为这个object在Git仓库中的唯一身份证。


也就是说,我们此时的Git仓库是这样子的:


0600a2b1cf63f112bf7fc6f842d58b7e.webp


我们继续探索,创建一个commit。


$ git commit -am '[+] init'$ tree .git/objects.git/objects├── 0c│   └── 96bfc59d0f02317d002ebbf8318f46c7e47ab2├── 4c│   └── aaa1a9ae0b274fba9e3675f9ef071616e5b209...


我们会发现当我们commit完成之后,Git仓库里面多出来两个object。同样使用cat-file命令,我们看看它们分别是什么类型以及具体的内容是什么。


$ git cat-file -t 4caaa1tree$ git cat-file -p 4caaa1100644 blob 58c9bdf9d017fcd178dc8c0...     a.txt100644 blob c200906efd24ec5e783bee7...    b.txt


这里我们遇到了第二种Git object类型——tree,它将当前的目录结构打了一个快照。从它储存的内容来看可以发现它储存了一个目录结构(类似于文件夹),以及每一个文件(或者子文件夹)的权限、类型、对应的身份证(SHA1值)、以及文件名。


此时的Git仓库是这样的:


0a7d9391355abdcb1840716ab69b4741.webp


$ git cat-file -t 0c96bfcommit$ git cat-file -p 0c96bftree 4caaa1a9ae0b274fba9e3675f9ef071616e5b209author lzane 李泽帆  1573302343 +0800committer lzane 李泽帆  1573302343 +0800[+] init


接着我们发现了第三种Git object类型——commit,它储存的是一个提交的信息,包括对应目录结构的快照tree的哈希值,上一个提交的哈希值(这里由于是第一个提交,所以没有父节点。在一个merge提交中还会出现多个父节点),提交的作者以及提交的具体时间,最后是该提交的信息。


此时我们去看Git仓库是这样的:


1980953df5e6246cc624204fdaeea619.webp


到这里我们就知道Git是怎么储存一个提交的信息的了,那有同学就会问,我们平常接触的分支信息储存在哪里呢?


$ cat .git/HEADref: refs/heads/master
$ cat .git/refs/heads/master0c96bfc59d0f02317d002ebbf8318f46c7e47ab2


在Git仓库里面,HEAD、分支、普通的Tag可以简单的理解成是一个指针,指向对应com。mit的SHA1值。


e98e7eea42e3ce0fdb4180aaacf1c312.webp


其实还有第四种Git object,类型是tag,在添加含附注的tag(git tag -a)的时候会新建,这里不详细介绍,有兴趣的朋友按照上文中的方法可以深入探究。


至此我们知道了Git是什么储存一个文件的内容、目录结构、commit信息和分支的。其本质上是一个key-value的数据库加上默克尔树形成的有向无环图(DAG)。这里可以蹭一下区块链的热度,区块链的数据结构也使用了默克尔树。


Git的三个分区


接下来我们来看一下Git的三个分区(工作目录、Index 索引区域、Git仓库),以及Git变更记录是怎么形成的。了解这三个分区和Git链的内部原理之后可以对Git的众多指令有一个“可视化”的理解,不会再经常搞混。


接着上面的例子,目前的仓库状态如下:


c92fa23790ab11f2886101b3350a6f62.webp

这里有三个区域,所储存的信息分别是:


  • 工作目录 ( working directory ):操作系统上的文件,所有代码开发编辑都在这上面完成。

  • 索引( index or staging area ):可以理解为一个暂存区域,这里面的代码会在下一次commit被提交到Git仓库。

  • Git仓库( git repository ):由Git object记录着每一次提交的快照,以及链式结构记录的提交变更历史。


我们来看一下更新一个文件的内容这个过程会发生什么事。

89d5302150ebea26b52c92ac6232d768.webp运行echo "333" > a.txt将a.txt的内容从111修改成333,此时如上图可以看到,此时索引区域和git仓库没有任何变化。
e905542c3ffa44ddc840b56d507fc952.webp运行git add a.txt将a.txt加入到索引区域,此时如上图所示,git在仓库里面新建了一个blob object,储存了新的文件内容。并且更新了索引将a.txt指向了新建的blob object。
665a59b8d209438a2015d6995c58d7ed.webp

运行git commit -m 'update'提交这次修改。如上图所示


  • Git首先根据当前的索引生产一个tree object,充当新提交的一个快照。

  • 创建一个新的commit object,将这次commit的信息储存起来,并且parent指向上一个commit,组成一条链记录变更历史。

  • 将master分支的指针移到新的commit结点。


至此我们知道了Git的三个分区分别是什么以及他们的作用,以及历史链是怎么被建立起来的。基本上Git的大部分指令就是在操作这三个分区以及这条链。可以尝试的思考一下git的各种命令,试一下你能不能够在上图将它们“可视化”出来,这个很重要,建议尝试一下。


一些有趣的问题


有兴趣的同学可以继续阅读,这部分不是文章的主要内容。

问题1:为什么要把文件的权限和文件名储存在tree object里面而不是blob object呢?


想象一下修改一个文件的命名。如果将文件名保存在blob里面,那么Git只能多复制一份原始内容形成一个新的blob object。而Git的实现方法只需要创建一个新的tree object将对应的文件名更改成新的即可,原本的blob object可以复用,节约了空间。

问题2:每次commit,Git储存的是全新的文件快照还是储存文件的变更部分?


由上面的例子我们可以看到,Git储存的是全新的文件快照,而不是文件的变更记录。也就是说,就算你只是在文件中添加一行,Git也会新建一个全新的blob object。那这样子是不是很浪费空间呢?
这其实是Git在空间和时间上的一个取舍,思考一下你要checkout一个commit,或对比两个commit之间的差异。如果Git储存的是问卷的变更部分,那么为了拿到一个commit的内容,Git都只能从第一个commit开始,然后一直计算变更,直到目标commit,这会花费很长时间。而相反,Git采用的储存全新文件快照的方法能使这个操作变得很快,直接从快照里面拿取内容就行了。
当然,在涉及网络传输或者Git仓库真的体积很大的时候,Git会有垃圾回收机制gc,不仅会清除无用的object,还会把已有的相似object打包压缩。

问题3:Git怎么保证历史记录不可篡改?


通过SHA1哈希算法和哈希树来保证。假设你偷偷修改了历史变更记录上一个文件的内容,那么这个问卷的blob object的SHA1哈希值就变了,与之相关的tree object的SHA1也需要改变,commit的SHA1也要变,这个commit之后的所有commit SHA1值也要跟着改变。又由于Git是分布式系统,即所有人都有一份完整历史的Git仓库,所以所有人都能很轻松的发现存在问题。
希望大家读完有所收获,下一篇文章会写一些我日常工作中觉得比较实用的Git技巧、经常被问到的问题、以及发生一些事故时的处理方法。

参考资料:


Scott Chacon, Ben Straub - Pro Git-Apress (2014) 免费,有兴趣继续深入的同学推荐阅读这本书Jon Loeliger, Matthew  McCullough - Version Control with Git, 2nd Edition - O'Reilly Media (2012) 作为上面那本书的补充
B站视频链接:https://www.bilibili.com/video/av77252063PPT 链接:https://www.lzane.com/slide/git-under-the-hood
本文经授权转载自微信公众号“腾讯技术工程”5b25a96067e67378bfde6d2575197432.webp
浏览 36
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报