主线 · 第 1 / 8 篇
· 约 7 分钟
Git 到底记录了什么:快照、对象和哈希
提交存的不是改动,是整个项目的快照。快照由数据对象、树对象和提交对象拼成,每个对象用内容算出的哈希命名;提交再指向父提交,连成一张只增不改的历史图。
用 Git 久了,常见的一个印象是:每次提交记下的是“这次改了哪几行”。git diff、git log -p 给人看的也确实都是改动。但 Git 存下来的并不是改动。弄清它到底存了什么,后面的分支、合并和撤回都会好懂很多。
先说明几个词。仓库是 Git 存放历史的地方,就是项目根目录下的 .git 目录。提交(commit)是一次保存下来的项目状态。哈希是一串由内容计算出来的十六进制字符,Git 用它给存下来的每样东西命名。
提交存的是快照,不是改动
CVS、Subversion 这类较早的版本控制系统,存的是一份基础文件,加上每个文件随时间累积的改动。Pro Git 把这叫作基于差异的版本控制。Git 换了一种思路:每次提交,把当时所有文件的样子整个记下来,存成一份快照。
听起来很费空间,其实不然。一个文件这次没改,新的快照不会再存一遍,只是指向上次已经存过的那份。真正新增的,只有改过的文件内容,以及记录目录结构的几条小记录。
平时看到的改动,是 Git 拿两份快照现场比出来的。git diff 显示的差异是计算结果,不是存储内容。
存储层还有一层优化:对象多了以后,Git 会把它们打成包,相似的对象只存一份完整的,其余存差异,以节省空间。这是磁盘上怎么省地方,不改变“提交是快照”这个模型。
一份快照由三种对象拼成
Git 的核心是一个键值数据库:存进去一段内容,拿回一个键,以后凭这个键取出内容。存进去的东西叫对象,日常用到的主要有三种。
| 对象 | 记录什么 | 相当于 |
|---|---|---|
| 数据对象(blob) | 一个文件的内容,只有字节,没有文件名 | 文件内容 |
| 树对象(tree) | 一组条目,每条是权限、类型、对象哈希和名字 | 目录 |
| 提交对象(commit) | 顶层树、父提交、作者、提交者、时间和说明 | 一次快照 |
文件名记在树里,不记在数据对象里。所以两个文件只要内容相同,哪怕名字不同,用的也是同一个数据对象。
下面是一个演示仓库,只有 README.md 和 docs/a.txt 两个文件。提交一次后,用 git cat-file -p 看这次提交和它的树。HEAD 指当前所在的提交(第三篇细讲),HEAD^{tree} 指这个提交的顶层树。cat-file 是直接读对象的底层命令,日常用不到,这里只拿来看里面存了什么。
$ git cat-file -p HEAD
tree a4ae36e58e03b69e8c853bfd65896591e25adff4
author demo <demo@example.com> 1791518400 +0800
committer demo <demo@example.com> 1791518400 +0800
first
$ git cat-file -p 'HEAD^{tree}'
100644 blob ce013625030ba8dba906f756967f9e9ca394464a README.md
040000 tree 08585692ce06452da6f82ae66b90d98b55536fca docs
提交只指向一棵顶层树。树里有一个文件和一个子目录,子目录又是一棵树。顺着这些哈希一层层往下找,就能还原出提交时整个项目的样子,这就是“快照”的具体含义。
哈希是用内容算出来的名字
那串 40 位的十六进制字符是 SHA-1 哈希。Git 计算时,先在内容前面加一个头部:对象类型、一个空格、内容的字节数和一个空字节,再对整体算 SHA-1。README.md 的内容是 hello 加一个换行,共 6 个字节,参与计算的就是 blob 6、空字节、hello 和换行。
$ git hash-object README.md
ce013625030ba8dba906f756967f9e9ca394464a
用别的工具对 blob 6\0hello\n 直接算 SHA-1,得到的也是这一串;只对 hello\n 本身算,结果完全不同。由此可以推出几件事。
内容相同,名字就相同。同样的内容不管放在哪个文件、哪台机器、哪个仓库,算出来都是这个哈希,所以一个仓库里同样的内容只存一份。
内容变了,名字就变了。哪怕只改一个字节,哈希也完全不同。Git 用哈希引用对象,磁盘上的数据如果损坏或被改过,读出来就对不上号。Pro Git 把这称为 Git 保证完整性。
对象存进去以后不再修改,因为一改,名字就不对了。
平时看到的 7 位短哈希,是完整哈希的开头一段。只要仓库里没有别的对象以同样的字符开头,Git 就认得出指的是哪个。
SHA-1 在 2017 年出现了实际可行的碰撞攻击(SHAttered)。Git 2.13.0 起默认改用加固过的 SHA-1 实现,2018 年又选定 SHA-256 作为后继。新建仓库时可以用 --object-format 选 SHA-256,哈希会变成 64 位;不指定的话,目前仍是 SHA-1。
历史是一张只往回指的图
提交对象里还记着父提交的哈希。第一次提交没有父提交,之后每次提交都指向上一次;合并两条分支时,合并提交会有两个父提交。所以历史不是一条直线,而是一张有向无环图:每个提交只指回它之前的提交,不会绕回自己。
把 README.md 改成两行,再提交一次:
$ git cat-file -p HEAD
tree 894c6d8bf2e0baf15b59574f1b936be55aff4448
parent b6c82149564d9227b5b26491322e7fe807fcefb7
...
$ git cat-file -p 'HEAD^{tree}'
100644 blob 94954abda49de8615a048f8d2e64b5de848e27a1 README.md
040000 tree 08585692ce06452da6f82ae66b90d98b55536fca docs
parent 后面是第一次提交 first 的哈希,短写是 b6c8214。README.md 换了一个新的数据对象,docs 那一行的哈希和第一次一模一样。目录没变,新快照直接沿用原来那棵树,这就是前面说的没变的不再存。
父提交的哈希写在提交内容里,提交的哈希又是用内容算出来的。所以改动历史上的一次提交,得到的是一个新提交;它后面的提交要接到新提交上,也得一个个重新生成,哈希跟着变。不经过它的提交,比如从更早的地方分出去的分支,不受影响;原来的旧提交也还在。一个提交的哈希,实际上担保了它之前的整段历史。
改历史,其实是新建提交
既然对象不能改,修改提交说明、整理提交这些操作是怎么做到的?答案是不改,而是新建一个提交来替代。
在演示仓库里用 git commit --amend 改第二次提交的说明。改之前,这个提交的短哈希是 86c0fab;改之后,main 指向的是 32c8ba6。新提交和旧提交有同一个父提交、同一棵树,只是说明不同,哈希就不同了。
旧的 86c0fab 并没有消失,用 git cat-file -t 查,它仍然是一个 commit。变的是分支:它原来指向旧提交,现在指向新提交。第二篇起的单人演示不含这次 amend,second 的哈希仍是 86c0fab。
对象之外,还有引用
分支名本身不是对象,而是一个引用:一个可以改指向的名字,内容只是一个提交的哈希。演示仓库里 .git/refs/heads/main 这个文件只有一行,就是 32c8ba6 的完整哈希。.git/HEAD 里写的是 ref: refs/heads/main,表示当前在 main 分支上。
Missing Semester 有一句总结:Git 的命令,基本都可以看成往提交图里添加对象,再添加或更新引用。对象只增不改,引用可以改指向。
这里容易误解的是“历史被改掉了”。很多时候只是引用换了指向,旧提交还在,只是暂时没有名字指向它。这些没人指的对象要过一段时间才会被清理,什么时候清理、清理前怎么找回,留到第七篇讲 reflog 时再说。
带着这个模型看 AI 汇报的 Git 操作,可以先问两件事:这次新增了哪些对象,也就是哪些新提交;又改了哪些引用,也就是哪个分支现在指向哪里。“回滚了”“改写了”这类说法,落到实处都是这两类变化。
参考资料
- Pro Git:Git 是什么?:快照而非差异,Git 保证完整性。
- Pro Git:Git 对象:数据对象、树对象、提交对象,以及头部加内容算 SHA-1。
- Pro Git: Packfiles:打包时相似对象只存差异,是存储层的优化。
- MIT Missing Semester: Version Control:用伪代码描述的数据模型,历史是有向无环图,命令就是添加对象和更新引用。
- gitrevisions:短哈希只要在仓库内唯一即可。
- hash-function-transition:SHAttered、加固的 SHA-1、选定 SHA-256。
- git-init:
--object-format选项。
本文涉及的知识点
10 个
名称打开知识图谱中的对应条目;「另见」只计已发布文章。
本节知识点
本节知识点
本节知识点