什麼是「git de-duplicates blob」？

Question

我在讀關於git炸彈的this blog post，並且遇到了git去重複blob的概念，以使存儲庫更小。不幸的是，這篇文章沒有以一種明確的方式解釋，也許沒有詳細說明它究竟意味着什麼，或者它究竟是如何工作的。

我可以請你清楚解釋一下嗎？

Answer 1

如果您有Linux背景，您可以將重複數據刪除視爲硬鏈接。

git存儲庫包含一個對象數據庫。這是你所有的文件，目錄和提交信息存儲的地方。

當git在對象數據庫中存儲文件時，它使用SHA-1哈希散列文件。然後它將該文件存儲在該散列下，以便可以使用散列（40個字符的校驗和）查找該文件。

因此，所有具有相同內容的對象將產生相同的散列。由於內容相同，git只會將對象保存一次。那就是重複數據刪除。

---

的混帳炸彈庫

的混帳炸彈庫，即在您發佈的博客中提到，利用重複數據刪除來創建一個非常小的庫，這將導致內存或存儲問題。

提交中的目錄是引用其他目錄或文件的簡單文本文件。在git中，目錄的正確名稱是樹和文件blob。

即使提交是一個簡單的文本文件。您可以使用cat-file -p來顯示它的內容。例如。

git cat-file -p HEAD 
tree c1971b07ce6888558e2178a121804774c4201b17 
parent 18ed56cbc5012117e24a603e7c072cf65d36d469 
author Kate Murphy <hello@kate.io> 1507821911 -0400 
committer GitHub <noreply@github.com> 1507821911 -0400 

Update README.md 

正如您所看到的，提交包含對父提交對象和根樹對象的引用。現在你應該能夠解釋爲什麼當你改變作者，提交者或者消息或者當你改變它的時候，提交會得到另一個id：因爲提交的內容發生了變化，因此git在git數據庫中使用了哈希。

回到git炸彈。git炸彈是一顆炸彈，因爲重複使用了樹和blob對象。

結構是：

COMMIT (c1971b07) -+-- tree (8d106ebc) -+-- tree (5849ef74) -+ tree(8f4c1eae) 
        |      |      ..... 
        |      | 
        |      | 
        |      +-- tree (5849ef74) -+ tree(8f4c1eae) 
        |      ....     .... 
        + tree (8d106ebc) 
        |      | 
        |      | 
        |      | 
        |      +-- tree (5849ef74) 
        |      ....        
        + tree (8d106ebc) -+-- tree (5849ef74) 
        ....     ... 

相同的樹對象被一次又一次地重新使用。因此，git存儲庫保持很小。

但在git的彈庫中的第一棵樹水平（根）包含10個子樹。每個子樹都包含10個子樹，依此類推。整個嵌套級別是10，每個最深的樹對象都包含10個斑點（所有相同的對象）。

因此，當您嘗試籤這個倉庫的git必須建立在文件系統中10^10 =百億目錄和每目錄這個有10個文件。所以這棵樹的葉子是100.000.000.000。我想如果你嘗試創建100.000.000.000文件+目錄，很多文件系統會投降。

結論 我真的不明白一個Git倉庫炸彈的意圖是什麼，除非找到一種方法，使存儲庫無法使用。

Answer 2

在這裏，「去重複」是一個動詞，而不是一個形容詞。重複數據刪除是指當你有兩件相同的事情時，而只是存儲一次。

在這種情況下，如果我將文件100MBFile.txt檢入Git存儲庫，那麼git會將其存儲爲blob。如果我將文件十次複製到存儲庫的十個不同部分中，即使它在工作目錄中存儲了多次，它仍然只會在.git文件夾中存儲一次。

Git還可以對樹進行重複數據刪除（它是如何表示目錄的），使您可以在不看它的情況下獲得更多副本。

這意味着你可以得到一個非常小的Git倉庫，當你真正簽出一個分支時，它會變得非常大。

有關blob，樹和重複數據刪除的更多信息，請查看the Git Book section on Git objects。