Question

这是this question的后续行动。

如果有多个blob具有相同的内容，它们只会在git存储库中存储一次，因为它们的SHA-1将是相同的。如何找到给定树的所有重复文件？

你是否必须遍历树并寻找重复的哈希值，或者git是否提供了每个blob的反向链接到引用它的树中的所有文件？

Answer 1

[alias]
    # find duplicate files from root
    alldupes = !"git ls-tree -r HEAD | cut -c 13- | sort | uniq -D -w 40"

    # find duplicate files from the current folder (can also be root)
    dupes = !"cd `pwd`/$GIT_PREFIX && git ls-tree -r HEAD | cut -c 13- | sort | uniq -D -w 40"

Answer 2

在我工作的代码库上运行这个让我大开眼界，我可以告诉你！

#!/usr/bin/perl

# usage: git ls-tree -r HEAD | $PROGRAM_NAME

use strict;
use warnings;

my $sha1_path = {};

while (my $line = <STDIN>) {
    chomp $line;

    if ($line =~ m{ \A \d+ \s+ \w+ \s+ (\w+) \s+ (\S+) \z }xms) {
        my $sha1 = $1;
        my $path = $2;

        push @{$sha1_path->{$sha1}}, $path;
    }
}

foreach my $sha1 (keys %$sha1_path) {
    if (scalar @{$sha1_path->{$sha1}} > 1) {
        foreach my $path (@{$sha1_path->{$sha1}}) {
            print "$sha1  $path\n";
        }

        print '-' x 40, "\n";
    }
}

Answer 3

刚刚制作了一个突出显示由git ls-tree呈现的重复项的单行可能有用

git ls-tree -r HEAD |
    sort -t ' ' -k 3 |
    perl -ne '$1 && / $1\t/ && print "\e[0;31m" ; / ([0-9a-f]{40})\t/; print "$_\e[0m"'

Answer 4

您链接问题的脚本答案也非常适用于此。

从git存储库的根目录尝试以下git命令。

git ls-tree -r HEAD

这会生成当前HEAD中所有'blob'的递归列表，包括它们的路径和sha1 id。

git不维护从blob到树的反向链接，所以它将是一个脚本任务（perl，python？）来解析git ls-tree -r输出并创建一个出现多次的所有sha1的摘要报告在列表中。

Answer 5

更一般：

( for f in `find .`; do test -f $f && echo $(wc -c <$f) $(md5 -q $f)   ; done ) |sort |uniq -c |grep -vE '^\s*1\b' |sed 's/.* //' > ~/dup.md5 ; \
( for f in `find .`; do test -f $f && echo $(wc -c <$f) $(md5 -q $f) $f; done ) |fgrep -f ~/dup.md5 |sort

Answer 6

对于Windows / PowerShell用户：

git ls-tree -r HEAD | group { $_ -replace '.{12}(.{40}).*', '$1' } | ? { $_.Count -gt 1 } | select -expand Group

输出如下内容：

100644 blob 8a49bcbae578c405ba2596c06f46fabbbc331c64    filename1
100644 blob 8a49bcbae578c405ba2596c06f46fabbbc331c64    filename2
100644 blob c1720b20bb3ad5761c1afb6a3113fbc2ba94994e    filename3
100644 blob c1720b20bb3ad5761c1afb6a3113fbc2ba94994e    filename4

Git：在此树中查找重复的blob（文件）

6 个答案: