Git内部原理解析

发表于 4年以前 | 总阅读数：717 次

越了解事物的本质就越接近真相。我发现学习Git内部是如何工作的以及Git的内部数据结构这部分内容，对于理解Git的用途和强大至关重要。若你理解了Git的思想和基本工作原理，用起来就会知其所以然，游刃有余。这是Git系列的第一篇，主要会介绍Git的特点以及内部数据结构设计，和完成一次完整提交流程的时候数据是如何变化的。

Git有什么特点？

fast，scalable，distributed revision control system（快速，可扩展的分布式版本控制系统）
几乎所有操作都是本地执行
每一个clone都是整个生命周期的完整副本
the stupid content tracker（只是一个内容追踪器）
Git追踪的是内容而不是文件
如果两个文件的内容相同，无论是否在相同的目录，Git在对象库里只保存一份blob对象
Immutable（不可变性）
Git版本库中存储的数据对象均为不可变的，一旦创建数据对象并放入了数据库中，它们便不可修改。这也意味着存储在版本数据库中的整个历史也是不可变的。
Porcelain（高层命令）
init, add, commit, branch, merge.
Plumbing（底层命令）
hash-object, update-index, write-tree.

每一个Client端都可以是Server

Git Version Database是什么？

Git是一个内容寻址文件系统。这意味着，Git的核心部分是一个简单的键值对数据库（key-value data store）。你可以向该数据库插入任意类型的内容，它会返回一个键值，通过该键值可以在任意时刻再次检索该内容。而这些数据全部是存储在objects目录里。key是一个hash，hash前两个字符用于命名子目录，余下的38个字符则用作文件名。如果了解tree树的朋友应该会想明白之所以这样处理是因为检索优化策略，提高文件系统效率（如果把太多的文件放入同一个目录中，一些文件系统会变慢）。而这个hash的内容（即hash对应的Value）有四种对象类型，commit（提交），tree（目录树），blob（块），tag（标签）。 Git基本概念：

Content addressable filesystem（内容寻址文件系统）
Simple key-value data store（键值对数据）
Key：SHA-1散列（hash，哈希）
Everything is hash
这是一个由40个十六进制字符（0-9和a-f）组成字符串
Value：binary files
Commit：Actual git commits（提交）
Tree：Directoy（目录树）
Blob：file content（文件内容）

note：可以理解成Commit = Tree + Blob的snapshot

什么是SHA-1：SHA-1（安全散列函数），是一种密码散列函数，美国国家安全局设计，并由美国国家标准技术研究所发布为联邦数据处理标准。SHA-1可以生成一个被称为消息摘要的160位（20字节）散列值，散列值通常的呈现形式为40个十六进制数。用js来理解就是一个纯函数，输入一定输出也一定，相同的输入一定有相同的输出。不相同的输入一定有不同的输出（不考虑碰撞，比彗星撞击地球的概率还低）。

Git到底是如何工作呢？

我们知道最简单的git flow主要有三步：

在工作目录中修改文件。
暂存文件，将文件的快照放入暂存区域。
提交更新，找到暂存区域的文件，将快照永久性存储到Git仓库目录。

对应高层命令是这样的：

$ git init
$ git add .
$ git commit

在我们看这三个命令到底做了什么之前，先来了解一下几个概念：

Working Directory：工作区（工作目录）
Stageing Area (Index)：暂存区
Repository：仓库区（本地仓库）

Git init

我们先用Git init来初始化一个项目，并查看项目的目录结构。

$ git init demo1 && cd demo1
$ tree .git
.git
├── HEAD
├── config
├── description
├── hooks
│   ├── applypatch-msg.sample
│   ├── commit-msg.sample
│   ├── fsmonitor-watchman.sample
│   ├── post-update.sample
│   ├── pre-applypatch.sample
│   ├── pre-commit.sample
│   ├── pre-push.sample
│   ├── pre-rebase.sample
│   ├── pre-receive.sample
│   ├── prepare-commit-msg.sample
│   └── update.sample
├── info
│   └── exclude
├── objects
│   ├── info
│   └── pack
└── refs
    ├── heads
    └── tags

description文件仅供GitWeb程序使用。config文件包含项目特有的配置选项。info目录包含一个全局性排除文件，用以放置那些不希望被记录在.gitignore文件中的忽略模式。hooks目录包含客户端或服务端的钩子脚本，这些我们暂时都无需关心。最重要的是：HEAD文件、（尚待创建的）index文件，和objects目录、refs目录。这些条目是Git的核心组成部分。objects目录存储所有数据内容（hash）；refs目录存储指向数据（分支）的提交对象的指针（commit hash）；HEAD文件指示目前被检出的分支（refs目录内的分支名）；index 文件保存暂存区信息（git ls-files --stage命令查看当前暂存区信息）。

下面我们就用底层命令来实现git init指令（另创建一个demo2目录）。

mkdir -p参数是能直接创建一个不存在的目录下的子目录：

$ mkdir -p .git/refs/heads .git/refs/tags .git/objects
$ echo 'ref: refs/heads/master' > .git/HEAD

可以看到已经成功初始化了一个Git项目。

git add

$ echo 'hello git' > index.txt
$ git add index.txt

执行完这两句指令后我们再来看.git文件夹发生了什么变化（为了显示效果，简化目录结构，之后tree 都忽略hooks文件夹）

.git
├── HEAD
├── config
├── description
├── index
├── info
│   └── exclude
├── objects
│   ├── 8d
│   │   └── 0e41234f24b6da002d962a26c2495ea16a425f
│   ├── info
│   └── pack
└── refs
    ├── heads
    └── tags

可以看到多了一个index文件，并且objects目录里面多了一个8d的文件夹，里面有一个0e41开头的文件、那这个8d0e4这个是什么呢？其实这个就是index.txt文件内容的hash。还记得嘛，刚才写入文件内容是hello git，我们来手动输出这个内容的hash。

$ echo 'hello git' | git hash-object --stdin
$ 8d0e41234f24b6da002d962a26c2495ea16a425f

可以通过cat-file命令从Git那里取回数据。为cat-file指定-p选项可指示该命令自动判断内容的类型，并为我们显示格式友好的内容：

$ git cat-file -p 8d0e
$ hello git

为cat-file指定-t选项可以查看文件的类型：

$ git cat-file -t 8d0e
$ blob

git add做了两件事情：

文件内容做一个hash存成blob object
把index放入到Staging Area

当为index.txt创建一个对象的时候，git并不关心index.txt的文件名，git 只关心文件里面的内容。

按照这个思路，我们用底层命令来实现一下git add指令。

$ echo 'hello git' | git hash-object -w --stdin

$ git update-index --add --cacheinfo 100644 8d0e41234f24b6da002d962a26c2495ea16a425f index.txt

-w选项指示hash-object命令存储数据对象；若不指定此选项，则该命令仅返回对应的键值。我们指定的文件模式为100644，表明这是一个普通文件。其他选择包括：100755，表示一个可执行文件；120000，表示一个符号链接。

因为并没有去创建这个index.txt文件，所以这边提示已经删除了，执行git checkout -- index.txt取出文件。

可以看到已经成功用底层命名实现了git add的功能。

到这里，我们自然就会有个疑问了，那文件名怎么办？

Git是通过tree对象来跟踪文件的路径名的。当使用git add命令时，git会给添加的文件内容创建一个blob对象，但是这个时候并不会创建tree对象。而只是更新索引，索引在.git/index中，它跟踪文件的路径名和相对应blob，每次执行git add 、git rm 、 git mv 的时候，git都会更新索引，我们可以通过命令git ls-files --stage来查看当前的索引信息。

$ git ls-files --s
$ 100644 8d0e41234f24b6da002d962a26c2495ea16a425f 0 index.txt

git commit

执行git commit -m 'init-1'后，查看tree结构，发现object 多出了两个文件：

.git
├── COMMIT_EDITMSG
├── HEAD
├── config
├── description
├── index
├── info
│   └── exclude
├── logs
│   ├── HEAD
│   └── refs
│       └── heads
│           └── master
├── objects
│   ├── 75
│   │   └── 0d7c0f7f998d3e2ce2d71ec801902f69bf6a39
│   ├── 88
│   │   └── bc066ebf3d864e34297f7051a0ded16e49813a
│   ├── 8d
│   │   └── 0e41234f24b6da002d962a26c2495ea16a425f
│   ├── info
│   └── pack
└── refs
    ├── heads
    │   └── master
    └── tags
$ git log
$ commit 750d7c0f7f998d3e2ce2d71ec801902f69bf6a39 (HEAD -> master)

查看这个commit 的文件类型，可以看到这是一个commit：

$ git cat-file -t 750d
$ commit

$ git cat-file -p 750d
$ tree 88bc066ebf3d864e34297f7051a0ded16e49813a

但是多出来的88bc是什么呢，其实就是当前目录的tree对象，所以Git是在commit的时候才创建tree对象的（其实是把索引转化成tree对象）。

$ git cat-file -t 88bc
$ tree

$ git cat-file -p 88bc
$ 100644 blob 8d0e41234f24b6da002d962a26c2495ea16a425f  index.txt

这个时候再看HEAD：

$ cat .git/HEAD
$ ref: refs/heads/master

继续查看refs/heads/master：

$ cat .git/refs/heads/master
$ 750d7c0f7f998d3e2ce2d71ec801902f69bf6a39

所以整个指向关系就是：HEAD里面的内容是当前的ref，而当前ref的内容是commit hash，commit对象内容是tree hash，tree对象的内容是文件夹/文件信息，而blob对象存储着文件的具体内容。这样当完成一次提交的时候，整个状态的对应关系也是确定的，所以说commit对象就是当前系统的snapshot。