Git 内部原理之 Git 对象哈希

在上一篇中，将了数据对象、树对象和提交对象三种git对象，每种对象会计算出一个hash值。那么，git是如何计算出git对象的hash值？本文的内容就是来解答这个问题。

git对象的hash方法

git中的数据对象、树对象和提交对象的hash方法原理是一样的，可以描述为：

header = "<type> " + content.length + "\0"
hash = sha1(header + content)

上面公式表示，git在计算对象hash时，首先会在对象头部添加一个header。这个header由3部分组成：第一部分表示对象的类型，可以取值blob、tree、commit以分别表示数据对象、树对象、提交对象；第二部分是数据的字节长度；第三部分是一个空字节，用来将header和content分隔开。将header添加到content头部之后，使用sha1算法计算出一个40位的hash值。

在手动计算git对象的hash时，有两点需要注意：
1.header中第二部分关于数据长度的计算，一定是字节的长度而不是字符串的长度；
2.header + content的操作并不是字符串级别的拼接，而是二进制级别的拼接。

各种git对象的hash方法相同，不同的在于：
1.头部类型不同，数据对象是blob，树对象是tree，提交对象是commit；
2.数据内容不同，数据对象的内容可以是任意内容，而树对象和提交对象的内容有固定的格式。

接下来分别讲数据对象、树对象和提交对象的具体的hash方法。

数据对象

数据对象的格式如下：

blob <content length><null><content>

从上一篇中我们知道，使用git hash-object可以计算出一个40位的hash值，例如：

$ echo -n "what is up, doc?" | git hash-object --stdin
bd9dbf5aae1a3862dd1526723246b20206e5fc37

注意，上面在echo后面使用了-n选项，用来阻止自动在字符串末尾添加换行符，否则会导致实际传给git hash-object是what is up, doc?\n，而不是我们直观认为的what is up, doc?。

为验证前面提到的git对象hash方法，我们使用openssl sha1来手动计算what is up, doc?的hash值：

$ echo -n "blob 16\0what is up, doc?" | openssl sha1
bd9dbf5aae1a3862dd1526723246b20206e5fc37

可以发现，手动计算出的hash值与git hash-object计算出来的一模一样。

在git对象hash方法的注意事项中，提到header中第二部分关于数据长度的计算，一定是字节的长度而不是字符串的长度。由于what is up, doc?只有英文字符，在utf8中恰好字符的长度和字节的长度都等于16，很容易将这个长度误解为字符的长度。假设我们以中文来试验：

$ echo -n "中文" | git hash-object --stdin
efbb13322ba66f682e179ebff5eeb1bd6ef83972
$ echo -n "blob 2\0中文" | openssl sha1
d1dc2c3eed26b05289bddb857713b60b8c23ed29

我们可以看到，git hash-object和openssl sha1计算出来的hash值根本不一样。这是因为中文两个字符作为utf格式存储后的字符长度不是2，具体是多少呢？可以使用wc来计算：

$ echo -n "中文" | wc -c
       6

中文字符串的字节长度是6，重新手动计算发现得出的hash值就能对应上了：

$ echo -n "blob 6\0中文" | openssl sha1
efbb13322ba66f682e179ebff5eeb1bd6ef83972

树对象

树对象的内容格式如下：

tree <content length><nul><file mode> <filename><nul><item sha>...

需要注意的是，<item sha>部分是二进制形式的sha1码，而不是十六进制形式的sha1码。

我们从上一篇摘出一个树对象做实验，其内容如下：

$ git cat-file -p d8329fc1cc938780ffdd9f94e0d364e0ea74f579
100644 blob 83baae61804e65cc73a7201a7252750c76066a30  test.txt

我们首先使用xxd把83baae61804e65cc73a7201a7252750c76066a30转换成为二进制形式，并将结果保存为sha1.txt以方便后面做追加操作：

$ echo -n "83baae61804e65cc73a7201a7252750c76066a30" | xxd -r -p > sha1.txt
$ cat tree-items.txt
���a�ne�s� rru
              vj0%

接下来构造content部分，并保存至文件content.txt：

$ echo -n "100644 test.txt\0" | cat - sha1.txt > content.txt
$ cat content.txt
100644 test.txt���a�ne�s� rru
                             vj0%

计算content的长度：

$ cat content.txt | wc -c
      36

那么最终该树对象的内容为：

$ echo -n "tree 36\0" | cat - content.txt
tree 36100644 test.txt���a�ne�s� rru
                                    vj0%

最后使用openssl sha1计算hash值，可以发现和实验的hash值是一样的：

$ echo -n "tree 36\0" | cat - content.txt | openssl sha1
d8329fc1cc938780ffdd9f94e0d364e0ea74f579

提交对象

提交对象的格式如下：

commit <content length><nul>tree <tree sha>
parent <parent sha>
[parent <parent sha> if several parents from merges]
author <author name> <author e-mail> <timestamp> <timezone>
committer <author name> <author e-mail> <timestamp> <timezone>
<commit message>

我们从上一篇摘出一个提交对象做实验，其内容如下：

$ echo 'first commit' | git commit-tree d8329fc1cc938780ffdd9f94e0d364e0ea74f579
db1d6f137952f2b24e3c85724ebd7528587a067a
$ git cat-file -p db1d6f137952f2b24e3c85724ebd7528587a067a
tree d8329fc1cc938780ffdd9f94e0d364e0ea74f579
author jingsam <[e-mail]> 1528022503 +0800
committer jingsam <[e-mail]> 1528022503 +0800
first commit

这里需要注意的是，由于echo 'first commit'没有添加-n选项，因此实际的提交信息是first commit\n。使用wc计算出提交内容的字节数：

$ echo -n "tree d8329fc1cc938780ffdd9f94e0d364e0ea74f579
author jingsam <[e-mail]> 1528022503 +0800
committer jingsam <[e-mail]> 1528022503 +0800
first commit\n" | wc -c
     163

那么，这个提交对象的header就是commit 163\0，手动把头部添加到提交内容中：

commit 163\0tree d8329fc1cc938780ffdd9f94e0d364e0ea74f579
author jingsam <[e-mail]> 1528022503 +0800
committer jingsam <[e-mail]> 1528022503 +0800
first commit\n

使用openssl sha1计算这个上面内容的hash值：

$ echo -n "commit 163\0tree d8329fc1cc938780ffdd9f94e0d364e0ea74f579
author jingsam <[e-mail]> 1528022503 +0800
committer jingsam <[e-mail]> 1528022503 +0800
first commit\n" | openssl sha1
db1d6f137952f2b24e3c85724ebd7528587a067a

可以看见，与实验的hash值是一样的。

总结

这篇文章详细地分析了git中的数据对象、树对象和提交对象的hash方法，可以发现原理是非常简单的。数据对象和提交对象打印出来的内容与存储内容组织是一模一样的，可以很直观的理解。对于树对象，其打印出来的内容和实际存储是有区别的，增加了一些实现上的难度。例如，使用二进制形式的hash值而不是直观的十六进制形式，我现在还没有从已有资料中搜到这么设计的理由，这个问题留待以后解决。

原文地址：https://jingsam.github.io/2018/06/10/git-hash.html