《Pro Git》阅读随想

　　之前做版本管理，我使用最多的是SVN，而且也只是在用一些最常用的操作。最近公司里很多项目都开始上Git，借这个机会，我计划好好学习一下Git的操作和原理，以及蕴含在其中的设计思想。同事推荐了一本《Pro Git》，读起来感觉很好，在这里分享下阅读时的思考。此书的在线阅读地址:http://iissnan.com/progit/

---

第一章 起步

　　这一章介绍了Git的相关历史和基本特点，以及安装配置方法。这里提到的Git的特点包括“直接记录快照，而非差异比较”、“近乎所有操作都是本地执行”、“时刻保持数据完整性”、“多数操作仅添加数据”、“文件的三种状态”，除了最后一点我会放在下一章里梳理，下面会对其中一部分进行一些思考的分享。

直接记录快照，而非差异比较

Git 和其他版本控制系统的主要差别在于，Git 只关心文件数据的整体是否发生变化，而大多数其他系统则只关心文件内容的具体差异。

　　这个策略要求Git记录每个版本的完整文件。如果需要对比同一个文件的两个连续版本间差异，Git会直接比较两个文件，而其他系统可以直接把保存的具体差异取出来；但是如果比较间隔版本的文件，后者需要将差异全部合并，才能显示。这意味着版本的间隔越多，基于差异的系统在比较差异所需要的计算量会越大，而Git完全不会受到这个影响。

　　可以把这个策略看作是空间换时间的实践。现在单位存储空间的费用越来越低，TB级硬盘也已沦为白菜价，即使是开发人员使用的百兆级SSD也已经普及，额外的空间消耗完全可以不做考虑。

时刻保持数据完整性

在保存到 Git 之前，所有数据都要进行内容的校验和（checksum）计算，并将此结果作为数据的唯一标识和索引。换句话说，不可能在你修改了文件或目录之后，Git 一无所知。这项特性作为 Git 的设计哲学，建在整体架构的最底层。所以如果文件在传输时变得不完整，或者磁盘损坏导致文件数据缺失，Git 都能立即察觉。

Git 使用 SHA-1 算法计算数据的校验和，通过对文件的内容或目录的结构计算出一个 SHA-1 哈希值，作为指纹字符串。该字串由 40 个十六进制字符（0-9 及 a-f）组成，看起来就像是：

24b9da6552252987aa493b52f8696cd6d3b00373

Git 的工作完全依赖于这类指纹字串，所以你会经常看到这样的哈希值。实际上，所有保存在 Git 数据库中的东西都是用此哈希值来作索引的，而不是靠文件名。

　　使用SHA-1产生的hash值而不是文件名做索引的好处是，hash值的长度固定，并且随机性很好，符合哈希充分散列的要求。SHA-1本身就是一种常用的hash函数，其应用不在这里重述。前一段时间Google宣布“将在Chrome浏览器中逐渐降低SHA-1证书的安全指示”，但它这样做的原因是出于安全考虑，并不意味着Git使用SHA-1做hash函数不合适，有兴趣的读者可以看看相关的分析，如：深度：为什么Google急着杀死加密算法SHA-1。

　　文件名做索引有什么坏处呢？长度不固定并不是主要的问题。以用maven管理的代码为例，如果依赖比较复杂，那么各个package中都有各自的pom.xml，它们的文件名是完全一样的，会导致严重的hash碰撞。

---

第二章 Git基础

　　这章介绍了最基本的 Git 本地操作：创建和克隆仓库，做出修改，暂存并提交这些修改，以及查看所有历史修改记录。这些操作的命令不再一一列出，来看看第一章提到但没有详细讲述的文件状态。

文件状态

　　梳理一下文件各个状态的转换过程和逻辑，可以画出下面的图示。在这张图中，常用的本地的文件操作命令以及将会导致的状态变更就很清楚了：

　　除了文件状态，简单说下Git里标签的意义。众所周知，SVN里每个版本都是有版本号的，从1开始，每次提交都会升高。而在Git中，每次提交只会返回一个SHA-1 校验和其他的信息，是没有版本号的。

　　发布时，如何指定Git上的代码版本？这时就可以用tag来做标记了。tag相当于为一个特定的版本增加的标记，可以替代SVN里版本号的功能，而且更强大。

---

第三章 Git分支

用链表组织分支

　　如果要理解Git，要理解Git的分支；如果要理解Git的分支，首先要理解Git中的四个基本的对象模型：blob、tree、commit、tag。这部分原书写的比较简单，具体可以参考《Git Community Book》第一章。幸运的是，该书也有网络版，这一部分内容的地址是：http://gitbook.liuhui998.com/1_2.html。简单地说，这四种对象分别对应于：

• 　　blob：表示文件内容，是指向文件的索引。
• 　　tree：表示目录层级关系，保存了其他blob对象和tree对象的指针。
• 　　commit：保存一次提交的信息，以及一个tree对象根目录。
• 　　tag：标记一次commit。

　　分支是把commit对象组织成了链表的形式，不同的分支指向了对应的commit对象，每次在分支上提交，都会在链表表头上插入新的对象，如下图上的master和testing两个分支，图中的绿色方框代表一个commit对象。此时可以通过控制HEAD指针所在位置来指明使用了哪个分支。

　　简单回忆下链表的相关操作可以发现，只要保存各个分支对应的表头，我们可以很容易的通过给HEAD赋值在各个分支之间切换。同时对于每次提交，链表插入的操作也很简单。

　　在理解了Git版本管理的链表式的实现方式之后，只要具有基本的算法知识，其他操作原理的理解会变得非常迅速。以下各图来自于《Pro Git》。

　　1.从master拉新分支iss53，只需新增该分支的指针，未做修改后的提交时，iss53指向master。提交新内容时，创建对应commit对象，iss53指针前移。

　　2.当分支hotfix的祖先节点中包括master分支，将hotfix分支merge回master分支，只需要把master的指针移动hotfix上，没有任何文件处理工作，因而称之为Fast forward。

　　3.当分支iss53合并回master分支，但是master不是iss53的祖先时，先计算二者的最近一个的公共祖先，把它和这两个分支的commit进行合并计算，创建新的commit对象。这个对象有两个祖先。如果合并时遇到冲突，不会提交，而是等人工处理完冲突并git add后才能进行提交。

　　如何寻找交叉链表的第一个公共节点？这是一个常见算法问题，可以参考旧作《编程之美》3.6判断链表是否相交之扩展：链表找环方法证明的扩展问题2。

　　4.（个人推测）查看某个分支是否已合并到master分支：比较两个分支指针是否指向同一个对象。

　　5.（个人推测）删除已合并master的分支：直接删除该分支的指针；删除未合并的分支（git branch -d XXX）：删除该分支不在master上所有commit对象及相关的对象、删除分支指针。

merge还是rebase？

　　merge是直接将两个分支合并到一起：创建一个合并后的commit节点，祖先有两个，是被合并的两个分支A和分支B，节点内容是三方（分支A、分支B、分支A和B的共有最近祖先）合并的结果。原有的链表上的节点保留，分支上的提交历史没有发生改变。如下图（来自《Pro Git》）所示：

　　rebase则是将一个分支A中的内容产生的补丁在另一个分支B上重新打一遍，打完之后，分支A的节点变成了分支B的后继。rebase完成后，分支A的特有节点发生了变动。如下图（来自《Pro Git》）所示，C3和C3`是不同的节点：

　　实际上，merge和rebase产生的节点的内容上是一样的，发生冲突时仍需要人工解决，不同点只是提交的历史节点。rebase更适用于未公开提交（可以理解为push到远程仓库）的对象，清理提交历史；如果对已公开的提交对象rebase，并且已经有人对这些已提交对象开展了后续开发，会使得提交历史非常混乱。详细的例子可以查看原书“分支的衍合”一节。

---

第六章 Git工具

　　在“使用Git调试”一节，提到了git bisect进行各个commit的二分查找。众所周知，单链表本身是不支持二分查找的，推测Git可能使用了以下两种方式支持：

　　(1)将起始和结束的两个commit中间所有节点的指针保存到一个临时数组中，二分查找基于这个临时数组进行；

　　(2)git使用的了类似于跳表的链表。跳表可参考http://www.cnblogs.com/liuhao/archive/2012/07/26/2610218.html。

　　进一步地推测，在进行二分查找时，对commit进行修改，可能会导致查询错误。

---

第九章 Git内部原理

底层命令究竟做了些什么

　　在第一次阅读这一章时，我从第二节开始就有点晕头转向，不知道究竟行文的思路是什么。第二次阅读时才有点眉目，并发觉第一次没看懂的原因是，原文很多地方只是描述底层命令执行后发生的现象，并没有完整地告诉读者这个命令执行的结果。网上很多对git的介绍文章偏实用主义，对这些底层命令并没有花费多少笔墨。好在git自身的文档很完善，git -help <command>对底层命令也有效，可以自行查看。不过方便起见，这里会简单介绍下这些底层命令。以下介绍底层命令时，实际用法为git XXX，如git hash-object，简记为hash-object。

　　当然，这里的介绍不是文档的翻译，其中也加入了一些个人的理解，因此，各个命令的介绍可能有少量的连续性。

　　另外一个有趣的事实：Git高层命令是可以自动补全的，而底层命令不行。

hash-object

　　计算一个文件(可以通过--stdin指定为从标准输入读取)的对象ID，这个对象ID实际上是git这个内容寻址文件系统的K-V关系的键值。可以使用-w选项将该对象添加到git的文件对象库，而不仅仅是把对象的键值显示在屏幕上。

cat-file

　　显示git对象的内容或类型，需要指定对象ID。-p用于输出格式化内容。你会发现，通过hash-object生成的文件直接打开是乱码，想要查看原始内容，必须用git cat-file。可以推测，git对象中不仅保存了文件内容，还应该保存了结构信息等，并有被压缩的可能。这节的结尾便证实了这点：先写文件头（包括文件类型和内容长度）、内容正文，再计算SHA-1校验和（作为文件路径和文件名，不参与文件本身的保存），最后进行压缩。

　　如果对一个tree对象使用cat-file -p，可以看到这个tree对象包括了其他tree或blob对象的引用（同样是对象ID）。

update-index

　　为文件创建或更新index。这样做会导致文件被放入暂存区域(回想下git中文件的staged状态)。运行这个命令之后，往往接下来要运行git write-tree。对同一个文件重复运行也没有任何提示。

write-tree

　　为当前的index（注意：此时暂存区可能有多个文件）创建一个tree对象。把update-index和write-tree分开的目的，我认为是Git为了获得更细粒度的控制能力。

read-tree

　　将一个的tree对象（可以以--prefix指定其对应的目录名，这个目录此时还不存在）读入index。通过这个命令以及update-index、write-tree，我们就可以任意地装配出任何目录-文件的结构了。注意我这里使用的是“装配”而非“组装”，是因为这三个命令是无法进行目录结构的拆分的。

commit-tree

　　指定一个tree对象，以此创建一个commit对象。如果对一个commit对象再次运行该命令，可以git log看到完整的提交历史，也即这两个commit对象。

update-ref

　　 安全地更新一个用对象ID表示的文件的引用。其结果和git branch指定某个分支（对应于update-ref的引用）为某个commit（对应于update-ref的对象ID）一样。

　　轻量级tag对象是可以通过update-ref进行创建的。

symbolic-ref

　　给一个标记（如最常见的HEAD）指定一个引用。不指定引用则读取这个标记当前的引用。

gc

　　清理文件。实际上是将文件进行打包压缩。

verify-pack

　　查看通过gc进行的已打包的git对象。

阅读的时候遇到了两处翻译错误，我已提交了pull request：

1.第9-2节“-stdin 指定从标准输入设备 (stdin) 来读取内容，若不指定这个参数则需指定一个要存储的文件的路径。”应为“要读取的文件的路径”。

2.第9-4节 “然后可以用git cat-file命令...”，下面用的是du命令。实际原文中在这里没有提到“git cat-file”。