10.2 Git 内部原理 - Git 对象

Git 对象

Git 是一个内容寻址文件系统，听起来很酷。但这是什么意思呢？ 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 Git 仓库中插入任意类型的内容，它会返回一个唯一的键，通过该键可以在任意时刻再次取回该内容。

可以通过底层命令 git hash-object 来演示上述效果——该命令可将任意数据保存于 .git/objects 目录（即 对象数据库），并返回指向该数据对象的唯一的键。

首先，我们需要初始化一个新的 Git 版本库，并确认 objects 目录为空：

  1. $ git init test
  2. Initialized empty Git repository in /tmp/test/.git/
  3. $ cd test
  4. $ find .git/objects
  5. .git/objects
  6. .git/objects/info
  7. .git/objects/pack
  8. $ find .git/objects -type f

可以看到 Git 对 objects 目录进行了初始化，并创建了 pack 和 info 子目录，但均为空。 接着，我们用 git hash-object 创建一个新的数据对象并将它手动存入你的新 Git 数据库中：

  1. $ echo 'test content' | git hash-object -w --stdin
  2. d670460b4b4aece5915caf5c68d12f560a9fe3e4

在这种最简单的形式中，git hash-object 会接受你传给它的东西，而它只会返回可以存储在 Git 仓库中的唯一键。 -w 选项会指示该命令不要只返回键，还要将该对象写入数据库中。 最后，--stdin 选项则指示该命令从标准输入读取内容；若不指定此选项，则须在命令尾部给出待存储文件的路径。

此命令输出一个长度为 40 个字符的校验和。 这是一个 SHA-1 哈希值——一个将待存储的数据外加一个头部信息（header）一起做 SHA-1 校验运算而得的校验和。后文会简要讨论该头部信息。 现在我们可以查看 Git 是如何存储数据的：

  1. $ find .git/objects -type f
  2. .git/objects/d6/70460b4b4aece5915caf5c68d12f560a9fe3e4

如果你再次查看 objects 目录，那么可以在其中找到一个与新内容对应的文件。 这就是开始时 Git 存储内容的方式——一个文件对应一条内容， 以该内容加上特定头部信息一起的 SHA-1 校验和为文件命名。 校验和的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。

一旦你将内容存储在了对象数据库中，那么可以通过 cat-file 命令从 Git 那里取回数据。 这个命令简直就是一把剖析 Git 对象的瑞士军刀。 为 cat-file 指定 -p 选项可指示该命令自动判断内容的类型，并为我们显示大致的内容：

  1. $ git cat-file -p d670460b4b4aece5915caf5c68d12f560a9fe3e4
  2. test content

至此，你已经掌握了如何向 Git 中存入内容，以及如何将它们取出。 我们同样可以将这些操作应用于文件中的内容。 例如，可以对一个文件进行简单的版本控制。 首先，创建一个新文件并将其内容存入数据库：

  1. $ echo 'version 1' > test.txt
  2. $ git hash-object -w test.txt
  3. 83baae61804e65cc73a7201a7252750c76066a30

接着，向文件里写入新内容，并再次将其存入数据库：

  1. $ echo 'version 2' > test.txt
  2. $ git hash-object -w test.txt
  3. 1f7a7a472abf3dd9643fd615f6da379c4acb3e3a

对象数据库记录下了该文件的两个不同版本，当然之前我们存入的第一条内容也还在：

  1. $ find .git/objects -type f
  2. .git/objects/1f/7a7a472abf3dd9643fd615f6da379c4acb3e3a
  3. .git/objects/83/baae61804e65cc73a7201a7252750c76066a30
  4. .git/objects/d6/70460b4b4aece5915caf5c68d12f560a9fe3e4

现在可以在删掉 test.txt 的本地副本，然后用 Git 从对象数据库中取回它的第一个版本：

  1. $ git cat-file -p 83baae61804e65cc73a7201a7252750c76066a30 > test.txt
  2. $ cat test.txt
  3. version 1

或者第二个版本：

  1. $ git cat-file -p 1f7a7a472abf3dd9643fd615f6da379c4acb3e3a > test.txt
  2. $ cat test.txt
  3. version 2

然而，记住文件的每一个版本所对应的 SHA-1 值并不现实；另一个问题是，在这个（简单的版本控制）系统中，文件名并没有被保存——我们仅保存了文件的内容。 上述类型的对象我们称之为 数据对象（blob object）。 利用 git cat-file -t 命令，可以让 Git 告诉我们其内部存储的任何对象类型，只要给定该对象的 SHA-1 值：

  1. $ git cat-file -t 1f7a7a472abf3dd9643fd615f6da379c4acb3e3a
  2. blob

树对象

接下来要探讨的 Git 对象类型是树对象（tree object），它能解决文件名保存的问题，也允许我们将多个文件组织到一起。 Git 以一种类似于 UNIX 文件系统的方式存储内容，但作了些许简化。 所有内容均以树对象和数据对象的形式存储，其中树对象对应了 UNIX 中的目录项，数据对象则大致上对应了 inodes 或文件内容。 一个树对象包含了一条或多条树对象记录（tree entry），每条记录含有一个指向数据对象或者子树对象的 SHA-1 指针，以及相应的模式、类型、文件名信息。 例如，某项目当前对应的最新树对象可能是这样的：

  1. $ git cat-file -p master^{tree}
  2. 100644 blob a906cb2a4a904a152e80877d4088654daad0c859      README
  3. 100644 blob 8f94139338f9404f26296befa88755fc2598c289      Rakefile
  4. 040000 tree 99f1a6d12cb4b6f19c8655fca46c3ecf317074e0      lib

master^{tree} 语法表示 master 分支上最新的提交所指向的树对象。 请注意，lib 子目录（所对应的那条树对象记录）并不是一个数据对象，而是一个指针，其指向的是另一个树对象：

  1. $ git cat-file -p 99f1a6d12cb4b6f19c8655fca46c3ecf317074e0
  2. 100644 blob 47c6340d6459e05787f644c2447d2595f5d3a54b      simplegit.rb
Note 你可能会在某些 shell 中使用 master^{tree} 语法时遇到错误。 在 Windows 的 CMD 中，字符 ^ 被用于转义，因此你必须双写它以避免出现问题：git cat-file -p master^^{tree}。 在 PowerShell 中使用字符 {} 时则必须用引号引起来，以此来避免参数解析错误：git cat-file -p 'master^{tree}'。 在 ZSH 中，字符 ^ 被用在通配模式（globbing）中，因此你必须将整个表达式用引号引起来：git cat-file -p "master^{tree}"。

从概念上讲，Git 内部存储的数据有点像这样：

简化版的 Git 数据模型。

Figure 149. 简化版的 Git 数据模型。

你可以轻松创建自己的树对象。 通常，Git 根据某一时刻暂存区（即 index 区域，下同）所表示的状态创建并记录一个对应的树对象， 如此重复便可依次记录（某个时间段内）一系列的树对象。 因此，为创建一个树对象，首先需要通过暂存一些文件来创建一个暂存区。 可以通过底层命令 git update-index 为一个单独文件——我们的 test.txt 文件的首个版本——创建一个暂存区。 利用该命令，可以把 test.txt 文件的首个版本人为地加入一个新的暂存区。 必须为上述命令指定 --add 选项，因为此前该文件并不在暂存区中（我们甚至都还没来得及创建一个暂存区呢）； 同样必需的还有 --cacheinfo 选项，因为将要添加的文件位于 Git 数据库中，而不是位于当前目录下。 同时，需要指定文件模式、SHA-1 与文件名：

  1. $ git update-index --add --cacheinfo 100644 \
  2.   83baae61804e65cc73a7201a7252750c76066a30 test.txt

本例中，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。 这里的文件模式参考了常见的 UNIX 文件模式，但远没那么灵活——上述三种模式即是 Git 文件（即数据对象）的所有合法模式（当然，还有其他一些模式，但用于目录项和子模块）。

现在，可以通过 git write-tree 命令将暂存区内容写入一个树对象。 此处无需指定 -w 选项——如果某个树对象此前并不存在的话，当调用此命令时， 它会根据当前暂存区状态自动创建一个新的树对象：

  1. $ git write-tree
  2. d8329fc1cc938780ffdd9f94e0d364e0ea74f579
  3. $ git cat-file -p d8329fc1cc938780ffdd9f94e0d364e0ea74f579
  4. 100644 blob 83baae61804e65cc73a7201a7252750c76066a30      test.txt

不妨用之前见过的 git cat-file 命令验证一下它确实是一个树对象：

  1. $ git cat-file -t d8329fc1cc938780ffdd9f94e0d364e0ea74f579
  2. tree

接着我们来创建一个新的树对象，它包括 test.txt 文件的第二个版本，以及一个新的文件：

  1. $ echo 'new file' > new.txt
  2. $ git update-index --add --cacheinfo 100644 \
  3.   1f7a7a472abf3dd9643fd615f6da379c4acb3e3a test.txt
  4. $ git update-index --add new.txt

暂存区现在包含了 test.txt 文件的新版本，和一个新文件：new.txt。 记录下这个目录树（将当前暂存区的状态记录为一个树对象），然后观察它的结构：

  1. $ git write-tree
  2. 0155eb4229851634a0f03eb265b69f5a2d56f341
  3. $ git cat-file -p 0155eb4229851634a0f03eb265b69f5a2d56f341
  4. 100644 blob fa49b077972391ad58037050f2a75f74e3671e92      new.txt
  5. 100644 blob 1f7a7a472abf3dd9643fd615f6da379c4acb3e3a      test.txt

我们注意到，新的树对象包含两条文件记录，同时 test.txt 的 SHA-1 值（1f7a7a）是先前值的“第二版”。 只是为了好玩：你可以将第一个树对象加入第二个树对象，使其成为新的树对象的一个子目录。 通过调用 git read-tree 命令，可以把树对象读入暂存区。 本例中，可以通过对该命令指定 --prefix 选项，将一个已有的树对象作为子树读入暂存区：

  1. $ git read-tree --prefix=bak d8329fc1cc938780ffdd9f94e0d364e0ea74f579
  2. $ git write-tree
  3. 3c4e9cd789d88d8d89c1073707c3585e41b0e614
  4. $ git cat-file -p 3c4e9cd789d88d8d89c1073707c3585e41b0e614
  5. 040000 tree d8329fc1cc938780ffdd9f94e0d364e0ea74f579      bak
  6. 100644 blob fa49b077972391ad58037050f2a75f74e3671e92      new.txt
  7. 100644 blob 1f7a7a472abf3dd9643fd615f6da379c4acb3e3a      test.txt

如果基于这个新的树对象创建一个工作目录，你会发现工作目录的根目录包含两个文件以及一个名为 bak 的子目录，该子目录包含 test.txt 文件的第一个版本。 可以认为 Git 内部存储着的用于表示上述结构的数据是这样的：

当前 Git 的数据内容结构。

Figure 150. 当前 Git 的数据内容结构。

提交对象

如果你做完了以上所有操作，那么现在就有了三个树对象，分别代表我们想要跟踪的不同项目快照。 然而问题依旧：若想重用这些快照，你必须记住所有三个 SHA-1 哈希值。 并且，你也完全不知道是谁保存了这些快照，在什么时刻保存的，以及为什么保存这些快照。 而以上这些，正是提交对象（commit object）能为你保存的基本信息。

可以通过调用 commit-tree 命令创建一个提交对象，为此需要指定一个树对象的 SHA-1 值，以及该提交的父提交对象（如果有的话）。 我们从之前创建的第一个树对象开始：

  1. $ echo 'first commit' | git commit-tree d8329f
  2. fdf4fc3344e67ab068f836878b6c4951e3b15f3d

由于创建时间和作者数据不同，你现在会得到一个不同的散列值。 请将本章后续内容中的提交和标签的散列值替换为你自己的校验和。 现在可以通过 git cat-file 命令查看这个新提交对象：

  1. $ git cat-file -p fdf4fc3
  2. tree d8329fc1cc938780ffdd9f94e0d364e0ea74f579
  3. author Scott Chacon <schacon@gmail.com> 1243040974 -0700
  4. committer Scott Chacon <schacon@gmail.com> 1243040974 -0700
  6. first commit

提交对象的格式很简单：它先指定一个顶层树对象，代表当前项目快照； 然后是可能存在的父提交（前面描述的提交对象并不存在任何父提交）； 之后是作者/提交者信息（依据你的 user.name 和 user.email 配置来设定，外加一个时间戳）； 留空一行，最后是提交注释。

接着，我们将创建另两个提交对象，它们分别引用各自的上一个提交（作为其父提交对象）：

  1. $ echo 'second commit' | git commit-tree 0155eb -p fdf4fc3
  2. cac0cab538b970a37ea1e769cbbde608743bc96d
  3. $ echo 'third commit'  | git commit-tree 3c4e9c -p cac0cab
  4. 1a410efbd13591db07496601ebc7a059dd55cfe9

这三个提交对象分别指向之前创建的三个树对象快照中的一个。 现在，如果对最后一个提交的 SHA-1 值运行 git log 命令，会出乎意料的发现，你已有一个货真价实的、可由 git log 查看的 Git 提交历史了：

  1. $ git log --stat 1a410e
  2. commit 1a410efbd13591db07496601ebc7a059dd55cfe9
  3. Author: Scott Chacon <schacon@gmail.com>
  4. Date:   Fri May 22 18:15:24 2009 -0700
  6.     third commit
  8.  bak/test.txt | 1 +
  9.  1 file changed, 1 insertion(+)
  11. commit cac0cab538b970a37ea1e769cbbde608743bc96d
  12. Author: Scott Chacon <schacon@gmail.com>
  13. Date:   Fri May 22 18:14:29 2009 -0700
  15.     second commit
  17.  new.txt  | 1 +
  18.  test.txt | 2 +-
  19.  2 files changed, 2 insertions(+), 1 deletion(-)
  21. commit fdf4fc3344e67ab068f836878b6c4951e3b15f3d
  22. Author: Scott Chacon <schacon@gmail.com>
  23. Date:   Fri May 22 18:09:34 2009 -0700
  25.     first commit
  27.  test.txt | 1 +
  28.  1 file changed, 1 insertion(+)

太神奇了： 就在刚才，你没有借助任何上层命令，仅凭几个底层操作便完成了一个 Git 提交历史的创建。 这就是每次我们运行 git add 和 git commit 命令时，Git 所做的工作实质就是将被改写的文件保存为数据对象， 更新暂存区，记录树对象，最后创建一个指明了顶层树对象和父提交的提交对象。 这三种主要的 Git 对象——数据对象、树对象、提交对象——最初均以单独文件的形式保存在 .git/objects 目录下。 下面列出了目前示例目录内的所有对象，辅以各自所保存内容的注释：

  1. $ find .git/objects -type f
  2. .git/objects/01/55eb4229851634a0f03eb265b69f5a2d56f341 # tree 2
  3. .git/objects/1a/410efbd13591db07496601ebc7a059dd55cfe9 # commit 3
  4. .git/objects/1f/7a7a472abf3dd9643fd615f6da379c4acb3e3a # test.txt v2
  5. .git/objects/3c/4e9cd789d88d8d89c1073707c3585e41b0e614 # tree 3
  6. .git/objects/83/baae61804e65cc73a7201a7252750c76066a30 # test.txt v1
  7. .git/objects/ca/c0cab538b970a37ea1e769cbbde608743bc96d # commit 2
  8. .git/objects/d6/70460b4b4aece5915caf5c68d12f560a9fe3e4 # 'test content'
  9. .git/objects/d8/329fc1cc938780ffdd9f94e0d364e0ea74f579 # tree 1
  10. .git/objects/fa/49b077972391ad58037050f2a75f74e3671e92 # new.txt
  11. .git/objects/fd/f4fc3344e67ab068f836878b6c4951e3b15f3d # commit 1

如果跟踪所有的内部指针，将得到一个类似下面的对象关系图：

你的 Git 目录下所有可达的对象。

Figure 151. 你的 Git 目录下所有可达的对象。

对象存储

前文曾提及，你向 Git 仓库提交的所有对象都会有个头部信息一并被保存。 让我们略花些时间来看看 Git 是如何存储其对象的。 通过在 Ruby 脚本语言中交互式地演示，你将看到一个数据对象——本例中是字符串“what is up, doc?”——是如何被存储的。

可以通过 irb 命令启动 Ruby 的交互模式：

  1. $ irb
  2. >> content = "what is up, doc?"
  3. => "what is up, doc?"

Git 首先会以识别出的对象的类型作为开头来构造一个头部信息，本例中是一个“blob”字符串。 接着 Git 会在头部的第一部分添加一个空格，随后是数据内容的字节数，最后是一个空字节（null byte）：

  1. >> header = "blob #{content.length}\0"
  2. => "blob 16\u0000"

Git 会将上述头部信息和原始数据拼接起来，并计算出这条新内容的 SHA-1 校验和。 在 Ruby 中可以这样计算 SHA-1 值——先通过 require 命令导入 SHA-1 digest 库， 然后对目标字符串调用 Digest::SHA1.hexdigest()：

  1. >> store = header + content
  2. => "blob 16\u0000what is up, doc?"
  3. >> require 'digest/sha1'
  4. => true
  5. >> sha1 = Digest::SHA1.hexdigest(store)
  6. => "bd9dbf5aae1a3862dd1526723246b20206e5fc37"

我们来比较一下 git hash-object 的输出。 这里使用了 echo -n 以避免在输出中添加换行。

  1. $ echo -n "what is up, doc?" | git hash-object --stdin
  2. bd9dbf5aae1a3862dd1526723246b20206e5fc37

Git 会通过 zlib 压缩这条新内容。在 Ruby 中可以借助 zlib 库做到这一点。 先导入相应的库，然后对目标内容调用 Zlib::Deflate.deflate()：

  1. >> require 'zlib'
  2. => true
  3. >> zlib_content = Zlib::Deflate.deflate(store)
  4. => "x\x9CK\xCA\xC9OR04c(\xCFH,Q\xC8,V(-\xD0QH\xC9O\xB6\a\x00_\x1C\a\x9D"

最后，需要将这条经由 zlib 压缩的内容写入磁盘上的某个对象。 要先确定待写入对象的路径（SHA-1 值的前两个字符作为子目录名称，后 38 个字符则作为子目录内文件的名称）。 如果该子目录不存在，可以通过 Ruby 中的 FileUtils.mkdir_p() 函数来创建它。 接着，通过 File.open() 打开这个文件。最后，对上一步中得到的文件句柄调用 write() 函数，以向目标文件写入之前那条 zlib 压缩过的内容：

  1. >> path = '.git/objects/' + sha1[0,2] + '/' + sha1[2,38]
  2. => ".git/objects/bd/9dbf5aae1a3862dd1526723246b20206e5fc37"
  3. >> require 'fileutils'
  4. => true
  5. >> FileUtils.mkdir_p(File.dirname(path))
  6. => ".git/objects/bd"
  7. >> File.open(path, 'w') { |f| f.write zlib_content }
  8. => 32

我们用 git cat-file 查看一下该对象的内容：

  1. ---
  2. $ git cat-file -p bd9dbf5aae1a3862dd1526723246b20206e5fc37
  3. what is up, doc?
  4. ---

就是这样——你已创建了一个有效的 Git 数据对象。

所有的 Git 对象均以这种方式存储，区别仅在于类型标识——另两种对象类型的头部信息以字符串“commit”或“tree”开头，而不是“blob”。 另外，虽然数据对象的内容几乎可以是任何东西，但提交对象和树对象的内容却有各自固定的格式。