源码解析：Git的个提交是什么样的？

2020-09-22 00:00:00 索引文件对象提交内容

导读：经过不断地迭代，如今Git的功能越来越完善和强大。然而Git的个提交源码仅约1000行，当时的Git实现了哪些功能？本文将从源码开始，分析其核心思想，挖掘背后的设计原理。

前言

Git 是目前世界上被广泛使用的现代软件版本管理系统（Version Control System）。Git 本身亦是一个成熟并处于活跃开发状态的开源项目，今天惊人数量的软件项目依赖 Git 进行版本管理，这些项目包括开源以及各种商业软件。Git 在职业软件开发者中拥有良好的声誉，Git 目前支持绝大多数的操作系统以及 IDE（Integrated Development Environments）。

Git 初是由 Linux 操作系统内核的创造者 Linus Torvalds 在 2005 年创造，Git 个可用版本是 Linus 花了两周时间用C写出来的。Git 个版本就实现了 Git 源码自托管，一个月之内，Linux系统的源码也已经由 Git 管理了！

Git 的个提交源码仅有约1000行，但是已经实现了Git的基本设计原理，比如初始化仓库、提交代码、查看代码diff、读取提交信息等，Git 定义了三个区：工作区（workspace）、暂存区（index）、版本库（commit history），也实现了三类重要的 Git 对象：blob、tree、commit。本文将从源码上分析 Git 的个提交并挖掘背后的设计原理。

编译

获取源码

在Github上可以找到Git的仓库镜像：

https://github.com/git/git.git

# 获取 git 源码$ git clone https://github.com/git/git.git
# 查看个提交$ git log --date-order --reversecommit e83c5163316f89bfbde7d9ab23ca2e25604af290Author: Linus Torvalds <torvalds@ppc970.osdl.org>Date:   Thu Apr 7 15:13:13 2005 -0700
    Initial revision of "git", the information manager from hell
# 变更为个提交，指定commit-id$ git checkout e83c5163316f89bfbde7d9ab23ca2e25604af290

文件结构

$ tree -h.├── [2.4K]  cache.h├── [ 503]  cat-file.c                  # 查看objects文件├── [4.0K]  commit-tree.c               # 提交tree├── [1.2K]  init-db.c                   # 初始化仓库├── [ 970]  Makefile├── [5.5K]  read-cache.c                # 读取当前索引文件内容├── [8.2K]  README├── [ 986]  read-tree.c                 # 读取tree├── [2.0K]  show-diff.c                 # 查看diff内容├── [5.3K]  update-cache.c              # 添加文件或目录└── [1.4K]  write-tree.c                # 写入到tree
# 统计代码行数，总共1089行$ find . "(" -name "*.c" -or -name "*.h" -or -name "Makefile" ")" -print | xargs wc -l ... 1089 total

编译

编译个提交的Git会有编译问题，需要更改Makefile添加相关的依赖库：

$ git diff ./Makefile... -LIBS= -lssl+LIBS= -lssl -lz -lcrypto...

编译：

# 编译$ make

只支持在 linux 平台上编译运行。

源码分析

Write programs that do one thing and do it well.
——Unix philosophy

查看编译生成的可执行文件，总共有7个：

命令使用过程：

init-db：初始化仓库

命令说明

$ init-db

运行流程

创建目录：.dircache。
创建目录：.dircache/objects。
在 .dircache/objects 中创建了从 00 ~ ff 共256个目录。

.dircache/ 是Git的工作目录，新版本的Git工作目录为 .git/ 。

运行示例

# 运行init-db初始化仓库$ init-dbdefaulting to private storage area
# 查看初始化后的目录结构$ tree . -a.└── .dircache                   # git工作目录    └── objects                 # objects文件        ├── 00        ├── 01        ├── 02        ├── ......              # 省略        ├── fe        └── ff258 directories, 0 files

新版本Git使用 git init . 初始化仓库，而且初始化工作目录为 .git/，初始化后，.git/ 目录中的文件和功能也非常丰富，包括 .git/HEAD、.git/refs/ 、.git/info/ 等，以及很多的 hooks 示例：.git/hooks/**.sample。

update-cache：添加文件或目录

update-cache 主要是把工作区的修改文件提交到暂存区。工作区、暂存区等说明见下文【设计原理】。

命令使用

$ update-cache <file> ...

运行流程

读取并解析索引文件：.dircache/index。
遍历多个文件，读取并生成变更文件信息（文件名称、文件内容sha1值、日期、大小等），写入到索引文件中。
遍历多个文件，读取并压缩变更文件，存储到objects文件中，该文件为blob对象。

如果是刚初始化的仓库，会自动创建索引文件。索引文件说明见下文【设计原理 - 索引文件】。blob对象的文件格式及说明见下文【设计原理 - blob对象】。sha1值说明见下文【设计原理 - 哈希算法】。

运行示例

# 新增README.md文件$ echo "hello git" > README.md
# 提交$ update-cache README.md
# 查看索引文件$ hexdump -C .dircache/index00000000  43 52 49 44 01 00 00 00  01 00 00 00 af a4 fc 8e  |CRID............|00000010  5e 34 9d dd 31 8b 4c 8e  15 ca 32 05 5a e9 a4 c8  |^4..1.L...2.Z...|00000020  af bd 4c 5f bf fb 41 37  af bd 4c 5f bf fb 41 37  |..L_..A7..L_..A7|00000030  00 03 01 00 91 16 d2 04  b4 81 00 00 ee 03 00 00  |................|00000040  ee 03 00 00 0a 00 00 00  bb 12 25 52 ab 7b 40 20  |..........%R.{@ |00000050  b5 f6 12 cc 3b bd d5 b4  3d 1f d3 a8 09 00 52 45  |....;...=.....RE|00000060  41 44 4d 45 2e 6d 64 00                           |ADME.md.|00000068
# 查看objects内容，sha1值从索引文件中获取$ cat-file bb122552ab7b4020b5f612cc3bbdd5b43d1fd3a8temp_git_file_61uTTP: blob$ cat ./temp_git_file_RwpU8bhello git

cat-file：查看objects文件内容

cat-file 根据sha1值查看暂存区中的objects文件内容。cat-file 是一个辅助工具，在正常的开发工作流中一般不会使用到。

命令使用

$ cat-file <sha1>

运行流程

根据入参sha1值定位objects文件，比如 .dircache/objects/46/4b392e2c8c7d2d13d90e6916e6d41defe8bb6a
读取该objects文件内容，解压得到真实数据。
写入到临时文件 temp_git_file_XXXXXX（随机不重复文件）。

objects内容为压缩格式，基于zlib压缩算法，objects说明见【设计原理 - objects 文件】。

运行示例

# cat-file 会把内容读取到temp_git_file_rLcGKX$ cat-file 82f8604c3652fa5762899b5ff73eb37bef2da795temp_git_file_tBTXFM: blob
# 查看 temp_git_file_tBTXFM 文件内容$ cat ./temp_git_file_tBTXFM hello git!

show-diff：查看diff内容

查看工作区和暂存区中的文件差异。

命令使用

$ show-diff

运行流程

读取并解析索引文件：.dircache/index。
循环遍历变更文件信息，比较工作区中的文件信息和索引文件中记录的文件信息差异。

无差异，显示 <file-name>: ok。
有差异，调用 diff 命令输出差异内容。

运行示例

# 创建文件并提交到暂存区$ echo "hello git!" > README.md$ update-cache README.md
# 当前无差异$ show-diffREADME.md: ok
# 更改README.md$ echo "hello world!" > README.md
# 查看diff$ show-diffREADME.md:  82f8604c3652fa5762899b5ff73eb37bef2da795--- -   2020-08-31 17:33:50.047881667 +0800+++ README.md   2020-08-31 17:33:47.827740680 +0800@@ -1 +1 @@-hello git!+hello world!

write-tree：写入到tree

write-tree 作用将保存在索引文件中的多个objects对象归并到一个类型为tree的objects文件中，该文件即Git中重要的对象：tree。

命令使用

$ write-tree

运行流程

读取并解析索引文件：.dircache/index。
循环遍历变更文件信息，按照指定格式编排变更文件信息及内容。
压缩并存储到objects文件中，该object文件为tree对象。

tree对象的文件格式及相关说明见下文【设计原理 - tree对象】。

运行示例

# 提交$ write-treec771b3ab2fe3b7e43099290d3e99a3e8c414ec72
# 查看objects内容$ cat-file  c771b3ab2fe3b7e43099290d3e99a3e8c414ec72temp_git_file_r90ft5: tree$ cat ./temp_git_file_r90ft5100664 README.md��`L6R�Wb��_�>�{�-��

read-tree：读取tree

read-tree 读取并解析指定sha1值的tree对象，输出变更文件的信息。

命令使用

$ read-tree <sha1>

运行步骤

解析sha1值。
读取对应sha1值的object对象。
输出变更文件的属性、路径、sha1值。

运行示例

# 提交$ write-treec771b3ab2fe3b7e43099290d3e99a3e8c414ec72
# 读取tree对象$ read-tree  c771b3ab2fe3b7e43099290d3e99a3e8c414ec72100664 README.md (82f8604c3652fa5762899b5ff73eb37bef2da795)

commit-tree：提交tree

commit-tree 把本地变更提交到版本库里，具体是基于一个tree对象的sha1值创建一个commit对象。

命令使用

$ commit-tree <sha1> [-p <sha1>]* < changelog

运行流程

参数解析。
获取用户名称、用户邮件、提交日期。
写入tree信息。
写入parent信息。
写入author、commiter信息。
写入comments（注释）。
压缩并存储到objects文件中，该object文件为commit对象。

commit对象的文件格式及说明见下文【设计原理 - commit对象】。

运行示例

# 写入到tree$ write-tree c771b3ab2fe3b7e43099290d3e99a3e8c414ec72
# 提交tree$ echo "first commit" > changelog$ commit-tree c771b3ab2fe3b7e43099290d3e99a3e8c414ec72 < changelogCommitting initial tree c771b3ab2fe3b7e43099290d3e99a3e8c414ec727ea820bd363e24f5daa5de8028d77d88260503d9
# 查看commit对象内容$ cat-file 7ea820bd363e24f5daa5de8028d77d88260503d9temp_git_file_CIfJsg: commit$ cat temp_git_file_CIfJsgtree c771b3ab2fe3b7e43099290d3e99a3e8c414ec72author Xiaowen Xia <chenan.xxw@aos-hw09> Tue Sep  1 10:56:16 2020committer Xiaowen Xia <chenan.xxw@aos-hw09> Tue Sep  1 10:56:16 2020
first commit

设计原理

Write programs to work together.
——Unix philosophy

与传统的集中式版本控制系统（CVCS）相反，Git 从一开始就设计成了去中心化的分布式系统，每个开发者本地工作区都是一个完整的版本库，拥有本地的代码仓库。另外，Git 的设计初衷是为了让更多的开发者一起开发软件。

该版本 Git 定义了三种对象：

blob 对象：保存着文件快照。
tree 对象：记录着目录结构和 blob 对象索引。
commit 对象：包含着指向前述 tree 对象的指针和所有提交信息。

三种对象相互之间的关系如下：

图源：https://git-scm.com/book/en/v2/Git-Branching-Branches-in-a-Nutshell

另外，Git 也定义了三个区，工作区（workspace），暂存区（index）和版本库（commit history）：

工作区（workspace）：我们直接修改代码的地方。

暂存区（index）：数据暂时存放的区域，用于在工作区和版本库之间进行数据交流。

版本库（commit history）：存放已经提交的数据。

每个可执行文件的具体分工是：init-db 用来创建一个初始化仓库，update-cache 会将工作区的变更写到索引文件（index）中，write-tree 会将之前的所有变更整理成 tree 对象，commit-tree 会将指定的 tree 对象写到本地版本库中。另外，show-diff 用来查看工作区和暂存区中的文件差异，read-tree 用来读取 tree对象的信息。

由此可以绘制一个简单的Git开发工作流：

objects 文件

objects文件是载体，用来存储Git中的3个重要对象：blob、tree、commit。

objects文件的存储目录默认为.dircache/objects，也可以通过环境变量： SHA1_FILE_DIRECTORY 指定。文件路径和名称根据sha1值决定，取sha1值的个字节的hex值为目录，其他字节的hex值为名称，比如sha1值为：

0277ec89d7ba8c46a16d86f219b21cfe09a611e1

的对象文件存储路径为：

.dircache/objects/02/77ec89d7ba8c46a16d86f219b21cfe09a611e1

为了节约存储，同时也能存储多个信息，objects文件内容都是经过 zlib 压缩过的。objects文件的格式由 <type> + <size> + <要存储的内容> 组成，其中 <type> 可以是"blob"（blob对象）、"tree"（tree对象）、"commit"（commit对象）。

使用 cat-file 可以查看object文件是什么类型的对象。

.dircache/objects 目录结构如下：

$ tree .git/objects.git/objects├── 02│   └── 77ec89d7ba8c46a16d86f219b21cfe09a611e1├── ......                                          # 省略├── be│   ├── adb5bac00c74c97da7f471905ab0da8b50229c│   └── ee7b5e8ab6ae1c0c1f3cfa2c4643aacdb30b9b├── ......                                          # 省略├── c9│   └── f6098f3ba06cf96e1248e9f39270883ba0e82e├── ......                                          # 省略├── cf│   ├── 631abbf3c4cec0911cb60cc307f3dce4f7a000│   └── 9e478ab3fc98680684cc7090e84644363a4054├── ......                                          # 省略└── ff

问：为什么 .dircache/objects/ 目录下面要以sha1值前一个字节的hex值作为子目录？

blob 对象

运行 update-cache 会生成 blob 对象。

blob 对象用于存储变更文件内容，其实就代表一个变更文件快照。blob 对象由 <type> + <size>+ <file-content> 拼装并压缩：

使用 cat-file 查看 blob 对象内容：

# 查看 blob 对象内容$ cat-file 82f8604c3652fa5762899b5ff73eb37bef2da795temp_git_file_tBTXFM: blob
$ cat ./temp_git_file_tBTXFM hello git!

tree 对象

运行 write-tree 会生成 tree 对象。

tree 对象用于存储多个提交文件的信息。tree 对象由 <type> + <size> + 文件模式 + 文件名称 + 文件sha1值拼装并压缩：

文件sha1值使用binary格式存储，占用20字节。

使用 cat-file 查看 tree 对象内容：

# 查看 tree 对象内容$ cat-file  c771b3ab2fe3b7e43099290d3e99a3e8c414ec72temp_git_file_r90ft5: tree
$ cat ./temp_git_file_r90ft5100664 README.md��`L6R�Wb��_�>�{�-��

文件sha1值使用binary格式存储，所以打印的时候会有乱码。

commit 对象

运行 commit-tree 会生成 commit 对象。

commit 对象存储一次提交的信息，包括所在的tree信息，parent信息以及提交的作者等信息。commit 对象由<type> + <size> + <tree, sha1> + <parent, sha1>* + <author-info> + <committer-info> + <comment> 拼装并压缩：

tree sha1值和 parent sha1值使用hex字符串格式存储，占用40字节。

使用 cat-file 查看 commit 对象内容：

# 查看 commit 对象内容$ cat-file 7ea820bd363e24f5daa5de8028d77d88260503d9temp_git_file_CIfJsg: commit
$ cat temp_git_file_CIfJsgtree c771b3ab2fe3b7e43099290d3e99a3e8c414ec72author Xiaowen Xia <chenan.xxw@aos-hw09> Tue Sep  1 10:56:16 2020committer Xiaowen Xia <chenan.xxw@aos-hw09> Tue Sep  1 10:56:16 2020
first commit

索引文件

索引文件默认路径为：.dircache/index。索引文件用来存储变更文件的相关信息，当运行 update-cache 时会添加变更文件的信息到索引文件中。

同时也有一个叫 .dircache/index.lock 的文件，该文件存在时表示当前工作区被锁定，无法进行提交操作。

使用 hexdump 命令可以查看到索引文件内容：

$ hexdump -C .dircache/index 00000000  43 52 49 44 01 00 00 00  01 00 00 00 ae 73 c4 f2  |CRID.........s..|00000010  ce 32 c9 6f 13 20 0d 56  9c e8 cf 0d d3 75 10 c8  |.2.o. .V.....u..|00000020  94 ad 4c 5f f4 5c 42 06  94 ad 4c 5f f4 5c 42 06  |..L_.\B...L_.\B.|00000030  00 03 01 00 91 16 d2 04  b4 81 00 00 ee 03 00 00  |................|00000040  ee 03 00 00 0b 00 00 00  a3 f4 a0 66 c5 46 39 78  |...........f.F9x|00000050  1e 30 19 a3 20 42 e3 82  84 ee 31 54 09 00 52 45  |.0.. B....1T..RE|00000060  41 44 4d 45 2e 6d 64 00                           |ADME.md.|

.dircache/index 索引文件使用二进制存储相关内容，该文件由文件头 + 变更文件信息组成：

文件头大小为32字节，一个变更文件信息大小至少是63字节。其中：文件头中的sha1值由整个索引文件内容（文件头 + 变更文件信息）计算得到的。变更文件信息的sha1值由变更文件内容（压缩后）计算得到的。

哈希算法

该 Git 版本中使用的哈希算法为 sha1算法，代码中使用的是 OpenSSL 库中提供的sha1算法。

目前 Git 已经有了新的选择：sha256算法，且目前正在做 sha1 到 sha256 的迁移。

#include <openssl/sha.h>
static int verify_hdr(struct cache_header *hdr, unsigned long size){  SHA_CTX c;  unsigned char sha1[20];        /* 省略 */  /* 计算索引文件头sha1值 */  SHA1_Init(&c);  SHA1_Update(&c, hdr, offsetof(struct cache_header, sha1));  SHA1_Update(&c, hdr+1, size - sizeof(*hdr));  SHA1_Final(sha1, &c);  /* 省略 */  return 0;}

总结与思考

Use software leverage to your advantage.
——Unix philosophy

好的代码不是写出来的，是改出来的

Git 的个提交中，虽然实现了 Git 的分布式核心思想，以及三种对象，三个区等核心概念，但是 Git 的灵魂功能比如分支策略、远程仓库、日志系统、git hooks 等功能都是后面逐步迭代出来的。

关于细节

问：为什么 .dircache/objects/ 目录下面要以 sha1 值前一个字节的 hex 值作为子目录？

答：ext3 文件系统下，一个目录下只能有 32000 个一级子文件，如果都把 objects 文件存储到一个 .git/objects/ 目录里，很大概率会达到上限。同时要是一个目录下面子文件太多，那文件查找效率会降低很多。

关于代码质量

Git 的次提交源码，从代码质量、数据结构上看其实并没有多少参考价值，反而我还发现了很多可以优化的地方，比如：

异常处理不完善，经常出现段错误（SegmentFault）。

存在几处内存泄漏的地方，比如 write-tree.c > main函数 > buffer内存块。

从索引文件中读取到的变更文件信息使用数组存储，涉及到了比较多的申请释放操作，性能上是有损失的，可以优化成链表存储。

不过这些都不重要，重要的是 Git 的设计原理和思想。

参考资料

Git官方网站：https://git-scm.com
Git官方文档中心：https://git-scm.com/doc
Git官网的Git底层原理介绍：Git Internals - Git Objects
zlib 官方网站：http://zlib.net
浅析Git存储—对象、打包文件及打包文件索引
(https://www.jianshu.com/p/923bf0485995)
深入理解Git - 一切皆commit
(https://www.cnblogs.com/jasongrass/p/10582449.html)
深入理解Git - Git底层对象(https://www.cnblogs.com/jasongrass/p/10582465.html)

2020年10月22日~24日，由IT168旗下ITPUB企业社区平台主办的第十二届中国系统架构师大会（SACC2020）将在云端进行网络直播。自2009年以来，SACC架构师大会已成功举办了十一届，云集了国内CTO、研发总监、系统架构师、开发工程师和IT经理等技术人群，与会规模超千人。过去为期3天的议程，涉及20+专场，近120个主题，完整迁移到线上进行网络直播会议。整装待发，奋起逆袭的SACC2020，期待您的报名参与，共襄盛举！

相关文章