源控制系统的算法？

Question

我需要编写一个简单的源代码控制系统，并想知道我将使用哪种算法来实现文件差异？

由于许可证问题，我不想查看现有的源代码。我需要在MPL下获得许可，因此我无法查看任何现有系统，如CVS或Mercurial，因为它们都是GPL许可。

为了给出一些背景知识，我只需要一些非常简单的功能 - 文件夹中的二进制文件。没有子文件夹，每个文件的行为都像它自己的存储库。除了某些权限外没有元数据。

整体上非常简单的东西，我唯一担心的是如何只存储文件从修订版到修订版的差异，而不会浪费太多空间但也没有太低效（也许存储每个X更改的完整版本，有点像视频中的关键帧？）

Answer 1

Patience Diff是一个很好的算法，用于查找两个可能对人有意义的文件之间的增量。这通常比天真的“最长公共子序列”算法提供更好的结果，但结果是主观的。

话虽如此，许多现代版本控制系统在每个阶段都存储完整的文件，并在以后仅在需要时计算实际差异。对于二进制文件（可能不是非常可压缩的），您可能会发现存储反向增量可能最终会更有效。

Answer 2

最长公共子序列算法是类似diff的工具使用的主要机制，可以被源代码控制系统利用。

“Reverse Deltas”是一种常见的存储方法，因为您主要需要从最新版本开始向后移动。

Answer 3

查看Subversion的源代码怎么样？它在Apache License 2.0下获得许可

Answer 4

Gene Myers撰写了一篇好文章An O(ND) Difference Algorithm and its Variations。在比较序列时，迈尔斯就是那个人。您可能还应该阅读Walter Tichy关于RCS的论文;它解释了如何通过存储最新版本和差异来存储一组文件。

Answer 5

虽然化石是GPL，但delta算法基于rsync并描述了here

Answer 6

存储增量（前向或后向）的想法在版本控制方面是经典的。问题一直是，“你存储什么三角洲？”

许多源控制系统存储基本上由“diff”计算的增量，例如，最长共同子序列的面向行的补充。但是，您可以以特定于这些文档的方式计算特定类型文档的增量，以获得更小（通常更易理解）的增量。

对于编程语言源代码，可以计算程序结构上的Levenshtein距离。可以在Smart Differencer

找到一套基本上可以用于各种流行编程语言的工具。

如果您要存储非文本文件，则可以利用其结构来计算较小的增量。

当然，如果您想要的是最小的实现，那么只需存储每个文件版本的完整图像就很容易了。如果不漂亮，太字节磁盘使该解决方案可行。 （用于隐式执行此操作的PDP10文件系统）。

Answer 7

前几天我实际上在考虑类似的东西......（奇怪，是吧？）

我没有给你一个很好的答案，但我得出的结论是，如果我要写一个文件差异工具，我会用一个算法（用于查找差异）这样做，其功能有点像REGEXes贪得无厌。

至于存储DIFF ...如果我是你，而不是存储前向DIFF（即你从原始文件开始，然后当你使用版本151时计算机150与它相差），使用存储的DIFF对于您的历史记录，但将您的最新文件存储为完整版本。如果你这样做，那么每当你使用最新文件时（可能是99％的时间），你将获得最佳性能。