应用错误收集

我想在Git存储库中执行一些审核和维护操作，因为有些开发人员有时候版本文件不应该是常规版本（健康）存储库：已编译的二进制文件，第三方文档文件......

在过去几个月中，存储库的大小已大大增加，我想知道原因：添加了哪些文件，文件扩展名，文件大小...即使这些文件可能已被删除，元数据仍然存在，影响克隆，拉取和获取命令，而git元数据目录确实很大。

我知道 git log 命令提供了这样的功能，但我想知道是否有其他工具（ UI工具可能？）提供更多集成，易于比较和对比有关 git存储库使用情况的信息。

总而言之，我有哪些选择来获取Git信息：

添加到某个大小，文件的存储库中的文件延期，来自某个时间和（如果可能）谁这样做。
删除的文件。是否有可能消除他们？

关于git的好处在于它暴露了所有的内容，所以你可以看看它们。

在您的情况下，您正在关注大型 blob 。如果您不熟悉git如何在内部工作，它基于将对象映射到SHA-1哈希的对象数据库。提交是对象，每个提交包含一个树，它是一个列出目录内容的对象，这些对象可以是其他树（对于子目录）或< em> blobs （用于文件数据）。

这意味着如果两个文件具有相同的内容，则它们将共享一个 blob 。这也意味着如果你改变一个对象，它的ID也会改变（你会在这个答案的最后看到那个的后果）。

如何获取报告

首先，确保您正在使用镜像存储库，因此请使用--mirror选项进行克隆：

git clone --mirror https://my-host/my-repo.git

好的，现在这里有一个命令可以显示200个最大的blob：

git rev-list --objects --all | git cat-file --batch-check='%(objectname) %(objecttype) %(objectsize) %(rest)' | sort -nr -k 3 | perl -ne 'm#^(\w+) blob (\d+) (.+)# or next; print "$1\t$2\t$3\n";' | head -n 200 | column -t -s $'\t'

让我们稍微分解一下：

git rev-list --objects --all将输出存储库中使用的所有对象ID（SHA-1哈希值），然后输出blob的文件路径（docs）。

git cat-file --batch-check='%(objectname) %(objecttype) %(objectsize) %(rest)'将重新格式化git rev-list的输出并插入一些我们感兴趣的数据（如对象大小）（docs）。
在此处，%(rest)将替换为之后的部分输入上的对象ID - 它是指向blob的文件路径。

sort -nr -k 3将对blob size进行反向排序

perl -ne 'm#^(\w+) blob (\d+) (.+)# or next; print "$1\t$2\t$3\n";'只会输出任何不是blob的内容并重新格式化输出

head -n 200将采用前200项

column -t -s $'\t'将很好地重新格式化输出

请注意要删除的blob的对象ID。

请记住，我们在这里谈论的是 blob ，而不是文件。如果更改文件，则该文件将包含2个blob：每个已提交的版本都有一个blob。另外，请记住，由于git执行GC时发生的增量压缩，总磁盘使用量将小于每个blob的大小总和。如果两个blob非常相似（因为提交通常只会改变文件的一小部分），则delta压缩将非常有效。

现在您可以调整此命令以生成其他报告。这是一个不那么花哨的版本，可以做同样的事情：

git rev-list --objects --all | git cat-file --batch-check='%(objectname) %(objectsize) %(rest)' | sort -nr -k 2 | head -n 200

以下是如何按文件扩展名分组blob大小：

git rev-list --objects --all | git cat-file --batch-check='%(objectname) %(objecttype) %(objectsize) %(rest)' | perl -ne 'm#^(\w+) blob (\d+) .+?(?:\.(\w+))?$# or next; next if $h{$1}++; $ext = $3 ? lc $3 : "<none>"; $s{$ext} += $2; ++$c{$ext}; END { foreach $ext (keys %s) { print "$ext $s{$ext} $c{$ext}\n"; } }' | sort -nr -k 2 | column -t

相同的技术，但Perl脚本是不同的。您可以通过在第一个脚本中插入grep来迭代，以获取给定文件扩展名的所有对象ID及其大小。

如何删除不需要的数据

到现在为止，您应该清楚自己想要摆脱什么。是时候使用BFG repo cleaner了。请务必仔细阅读网站上的说明。

非常重要： BFG将重写您的整个提交历史记录，这意味着所有您从第一个更改后的提交哈希值将会有所不同。您和有权访问repo的所有其他人必须放弃旧存储库并将其替换为新存储库。这是对象ID如何在git中工作的直接结果，并且你无能为力。

此工具具有允许您删除给定扩展名的所有文件的命令，它还有一个开关，允许您提供要删除的对象ID列表。结合上述报告的结果，这个非常有用。假设您有一个要在名为blobs-to-delete.txt的文件中删除的对象ID列表：

java -jar bfg.jar --no-blob-protection --private --strip-blobs-with-ids blobs-to-delete.txt my-repo.git

由于显而易见的原因，这比使用--strip-blobs-bigger-than等选项更安全。

一对夫妇注意到：

--no-blob-protection会将您的最新提交标记为可修改（否则BFG默认不会触及其内容 - 只需确保您有备份）。

--private将阻止该工具在新提交的提交消息中包含旧的提交ID（如果您需要跟踪每个提交消息中发生的事情，请将其删除，但IMO只会污染提交消息，该工具无论如何输出一个地图文件。）

然后，你必须使reflog过期并触发一个完整的GC，以便删除的对象真正消失：

git reflog expire --expire=now --all && git gc --prune=now --aggressive

现在，如果您对所做的事情有200％的肯定，请强制推送您的更改，然后强制您团队中的每个人进行新的克隆。享受精简的回购！

Git存储库维护和审计工具

2 个答案:

如何获取报告

如何删除不需要的数据