Rework object refs tracking to reduce memory usage
[git/dscho.git] / README
blob36fef6ec041cd1d0d31c79a98f23a84e9a8691fd
1 ////////////////////////////////////////////////////////////////
3         GIT - the stupid content tracker
5 ////////////////////////////////////////////////////////////////
6 "git" can mean anything, depending on your mood.
8  - random three-letter combination that is pronounceable, and not
9    actually used by any common UNIX command.  The fact that it is a
10    mispronunciation of "get" may or may not be relevant.
11  - stupid. contemptible and despicable. simple. Take your pick from the
12    dictionary of slang.
13  - "global information tracker": you're in a good mood, and it actually
14    works for you. Angels sing, and a light suddenly fills the room. 
15  - "goddamn idiotic truckload of sh*t": when it breaks
17 This is a stupid (but extremely fast) directory content manager.  It
18 doesn't do a whole lot, but what it 'does' do is track directory
19 contents efficiently. 
21 There are two object abstractions: the "object database", and the
22 "current directory cache" aka "index".
24 The Object Database
25 ~~~~~~~~~~~~~~~~~~~
26 The object database is literally just a content-addressable collection
27 of objects.  All objects are named by their content, which is
28 approximated by the SHA1 hash of the object itself.  Objects may refer
29 to other objects (by referencing their SHA1 hash), and so you can
30 build up a hierarchy of objects.
32 All objects have a statically determined "type" aka "tag", which is
33 determined at object creation time, and which identifies the format of
34 the object (i.e. how it is used, and how it can refer to other
35 objects).  There are currently four different object types: "blob",
36 "tree", "commit" and "tag".
38 A "blob" object cannot refer to any other object, and is, like the tag
39 implies, a pure storage object containing some user data.  It is used to
40 actually store the file data, i.e. a blob object is associated with some
41 particular version of some file. 
43 A "tree" object is an object that ties one or more "blob" objects into a
44 directory structure. In addition, a tree object can refer to other tree
45 objects, thus creating a directory hierarchy. 
47 A "commit" object ties such directory hierarchies together into
48 a DAG of revisions - each "commit" is associated with exactly one tree
49 (the directory hierarchy at the time of the commit). In addition, a
50 "commit" refers to one or more "parent" commit objects that describe the
51 history of how we arrived at that directory hierarchy.
53 As a special case, a commit object with no parents is called the "root"
54 object, and is the point of an initial project commit.  Each project
55 must have at least one root, and while you can tie several different
56 root objects together into one project by creating a commit object which
57 has two or more separate roots as its ultimate parents, that's probably
58 just going to confuse people.  So aim for the notion of "one root object
59 per project", even if git itself does not enforce that. 
61 A "tag" object symbolically identifies and can be used to sign other
62 objects. It contains the identifier and type of another object, a
63 symbolic name (of course!) and, optionally, a signature.
65 Regardless of object type, all objects share the following
66 characteristics: they are all deflated with zlib, and have a header
67 that not only specifies their tag, but also provides size information
68 about the data in the object.  It's worth noting that the SHA1 hash
69 that is used to name the object is the hash of the original data
70 plus this header, so `sha1sum` 'file' does not match the object name
71 for 'file'.
72 (Historical note: in the dawn of the age of git the hash
73 was the sha1 of the 'compressed' object.)
75 As a result, the general consistency of an object can always be tested
76 independently of the contents or the type of the object: all objects can
77 be validated by verifying that (a) their hashes match the content of the
78 file and (b) the object successfully inflates to a stream of bytes that
79 forms a sequence of <ascii tag without space> + <space> + <ascii decimal
80 size> + <byte\0> + <binary object data>. 
82 The structured objects can further have their structure and
83 connectivity to other objects verified. This is generally done with
84 the `git-fsck-objects` program, which generates a full dependency graph
85 of all objects, and verifies their internal consistency (in addition
86 to just verifying their superficial consistency through the hash).
88 The object types in some more detail:
90 Blob Object
91 ~~~~~~~~~~~
92 A "blob" object is nothing but a binary blob of data, and doesn't
93 refer to anything else.  There is no signature or any other
94 verification of the data, so while the object is consistent (it 'is'
95 indexed by its sha1 hash, so the data itself is certainly correct), it
96 has absolutely no other attributes.  No name associations, no
97 permissions.  It is purely a blob of data (i.e. normally "file
98 contents").
100 In particular, since the blob is entirely defined by its data, if two
101 files in a directory tree (or in multiple different versions of the
102 repository) have the same contents, they will share the same blob
103 object. The object is totally independent of its location in the
104 directory tree, and renaming a file does not change the object that
105 file is associated with in any way.
107 A blob is typically created when gitlink:git-update-index[1]
108 is run, and its data can be accessed by gitlink:git-cat-file[1].
110 Tree Object
111 ~~~~~~~~~~~
112 The next hierarchical object type is the "tree" object.  A tree object
113 is a list of mode/name/blob data, sorted by name.  Alternatively, the
114 mode data may specify a directory mode, in which case instead of
115 naming a blob, that name is associated with another TREE object.
117 Like the "blob" object, a tree object is uniquely determined by the
118 set contents, and so two separate but identical trees will always
119 share the exact same object. This is true at all levels, i.e. it's
120 true for a "leaf" tree (which does not refer to any other trees, only
121 blobs) as well as for a whole subdirectory.
123 For that reason a "tree" object is just a pure data abstraction: it
124 has no history, no signatures, no verification of validity, except
125 that since the contents are again protected by the hash itself, we can
126 trust that the tree is immutable and its contents never change.
128 So you can trust the contents of a tree to be valid, the same way you
129 can trust the contents of a blob, but you don't know where those
130 contents 'came' from.
132 Side note on trees: since a "tree" object is a sorted list of
133 "filename+content", you can create a diff between two trees without
134 actually having to unpack two trees.  Just ignore all common parts,
135 and your diff will look right.  In other words, you can effectively
136 (and efficiently) tell the difference between any two random trees by
137 O(n) where "n" is the size of the difference, rather than the size of
138 the tree.
140 Side note 2 on trees: since the name of a "blob" depends entirely and
141 exclusively on its contents (i.e. there are no names or permissions
142 involved), you can see trivial renames or permission changes by
143 noticing that the blob stayed the same.  However, renames with data
144 changes need a smarter "diff" implementation.
146 A tree is created with gitlink:git-write-tree[1] and
147 its data can be accessed by gitlink:git-ls-tree[1].
148 Two trees can be compared with gitlink:git-diff-tree[1].
150 Commit Object
151 ~~~~~~~~~~~~~
152 The "commit" object is an object that introduces the notion of
153 history into the picture.  In contrast to the other objects, it
154 doesn't just describe the physical state of a tree, it describes how
155 we got there, and why.
157 A "commit" is defined by the tree-object that it results in, the
158 parent commits (zero, one or more) that led up to that point, and a
159 comment on what happened.  Again, a commit is not trusted per se:
160 the contents are well-defined and "safe" due to the cryptographically
161 strong signatures at all levels, but there is no reason to believe
162 that the tree is "good" or that the merge information makes sense.
163 The parents do not have to actually have any relationship with the
164 result, for example.
166 Note on commits: unlike real SCM's, commits do not contain
167 rename information or file mode change information.  All of that is
168 implicit in the trees involved (the result tree, and the result trees
169 of the parents), and describing that makes no sense in this idiotic
170 file manager.
172 A commit is created with gitlink:git-commit-tree[1] and
173 its data can be accessed by gitlink:git-cat-file[1].
175 Trust
176 ~~~~~
177 An aside on the notion of "trust". Trust is really outside the scope
178 of "git", but it's worth noting a few things.  First off, since
179 everything is hashed with SHA1, you 'can' trust that an object is
180 intact and has not been messed with by external sources.  So the name
181 of an object uniquely identifies a known state - just not a state that
182 you may want to trust.
184 Furthermore, since the SHA1 signature of a commit refers to the
185 SHA1 signatures of the tree it is associated with and the signatures
186 of the parent, a single named commit specifies uniquely a whole set
187 of history, with full contents.  You can't later fake any step of the
188 way once you have the name of a commit.
190 So to introduce some real trust in the system, the only thing you need
191 to do is to digitally sign just 'one' special note, which includes the
192 name of a top-level commit.  Your digital signature shows others
193 that you trust that commit, and the immutability of the history of
194 commits tells others that they can trust the whole history.
196 In other words, you can easily validate a whole archive by just
197 sending out a single email that tells the people the name (SHA1 hash)
198 of the top commit, and digitally sign that email using something
199 like GPG/PGP.
201 To assist in this, git also provides the tag object...
203 Tag Object
204 ~~~~~~~~~~
205 Git provides the "tag" object to simplify creating, managing and
206 exchanging symbolic and signed tokens.  The "tag" object at its
207 simplest simply symbolically identifies another object by containing
208 the sha1, type and symbolic name.
210 However it can optionally contain additional signature information
211 (which git doesn't care about as long as there's less than 8k of
212 it). This can then be verified externally to git.
214 Note that despite the tag features, "git" itself only handles content
215 integrity; the trust framework (and signature provision and
216 verification) has to come from outside.
218 A tag is created with gitlink:git-mktag[1],
219 its data can be accessed by gitlink:git-cat-file[1],
220 and the signature can be verified by
221 gitlink:git-verify-tag[1].
224 The "index" aka "Current Directory Cache"
225 -----------------------------------------
226 The index is a simple binary file, which contains an efficient
227 representation of a virtual directory content at some random time.  It
228 does so by a simple array that associates a set of names, dates,
229 permissions and content (aka "blob") objects together.  The cache is
230 always kept ordered by name, and names are unique (with a few very
231 specific rules) at any point in time, but the cache has no long-term
232 meaning, and can be partially updated at any time.
234 In particular, the index certainly does not need to be consistent with
235 the current directory contents (in fact, most operations will depend on
236 different ways to make the index 'not' be consistent with the directory
237 hierarchy), but it has three very important attributes:
239 '(a) it can re-generate the full state it caches (not just the
240 directory structure: it contains pointers to the "blob" objects so
241 that it can regenerate the data too)'
243 As a special case, there is a clear and unambiguous one-way mapping
244 from a current directory cache to a "tree object", which can be
245 efficiently created from just the current directory cache without
246 actually looking at any other data.  So a directory cache at any one
247 time uniquely specifies one and only one "tree" object (but has
248 additional data to make it easy to match up that tree object with what
249 has happened in the directory)
251 '(b) it has efficient methods for finding inconsistencies between that
252 cached state ("tree object waiting to be instantiated") and the
253 current state.'
255 '(c) it can additionally efficiently represent information about merge
256 conflicts between different tree objects, allowing each pathname to be
257 associated with sufficient information about the trees involved that
258 you can create a three-way merge between them.'
260 Those are the three ONLY things that the directory cache does.  It's a
261 cache, and the normal operation is to re-generate it completely from a
262 known tree object, or update/compare it with a live tree that is being
263 developed.  If you blow the directory cache away entirely, you generally
264 haven't lost any information as long as you have the name of the tree
265 that it described. 
267 At the same time, the index is at the same time also the
268 staging area for creating new trees, and creating a new tree always
269 involves a controlled modification of the index file.  In particular,
270 the index file can have the representation of an intermediate tree that
271 has not yet been instantiated.  So the index can be thought of as a
272 write-back cache, which can contain dirty information that has not yet
273 been written back to the backing store.
277 The Workflow
278 ------------
279 Generally, all "git" operations work on the index file. Some operations
280 work *purely* on the index file (showing the current state of the
281 index), but most operations move data to and from the index file. Either
282 from the database or from the working directory. Thus there are four
283 main combinations: 
285 1) working directory -> index
286 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
288 You update the index with information from the working directory with
289 the gitlink:git-update-index[1] command.  You
290 generally update the index information by just specifying the filename
291 you want to update, like so:
293         git-update-index filename
295 but to avoid common mistakes with filename globbing etc, the command
296 will not normally add totally new entries or remove old entries,
297 i.e. it will normally just update existing cache entries.
299 To tell git that yes, you really do realize that certain files no
300 longer exist in the archive, or that new files should be added, you
301 should use the `--remove` and `--add` flags respectively.
303 NOTE! A `--remove` flag does 'not' mean that subsequent filenames will
304 necessarily be removed: if the files still exist in your directory
305 structure, the index will be updated with their new status, not
306 removed. The only thing `--remove` means is that update-cache will be
307 considering a removed file to be a valid thing, and if the file really
308 does not exist any more, it will update the index accordingly.
310 As a special case, you can also do `git-update-index --refresh`, which
311 will refresh the "stat" information of each index to match the current
312 stat information. It will 'not' update the object status itself, and
313 it will only update the fields that are used to quickly test whether
314 an object still matches its old backing store object.
316 2) index -> object database
317 ~~~~~~~~~~~~~~~~~~~~~~~~~~~
319 You write your current index file to a "tree" object with the program
321         git-write-tree
323 that doesn't come with any options - it will just write out the
324 current index into the set of tree objects that describe that state,
325 and it will return the name of the resulting top-level tree. You can
326 use that tree to re-generate the index at any time by going in the
327 other direction:
329 3) object database -> index
330 ~~~~~~~~~~~~~~~~~~~~~~~~~~~
332 You read a "tree" file from the object database, and use that to
333 populate (and overwrite - don't do this if your index contains any
334 unsaved state that you might want to restore later!) your current
335 index.  Normal operation is just
337                 git-read-tree <sha1 of tree>
339 and your index file will now be equivalent to the tree that you saved
340 earlier. However, that is only your 'index' file: your working
341 directory contents have not been modified.
343 4) index -> working directory
344 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
346 You update your working directory from the index by "checking out"
347 files. This is not a very common operation, since normally you'd just
348 keep your files updated, and rather than write to your working
349 directory, you'd tell the index files about the changes in your
350 working directory (i.e. `git-update-index`).
352 However, if you decide to jump to a new version, or check out somebody
353 else's version, or just restore a previous tree, you'd populate your
354 index file with read-tree, and then you need to check out the result
355 with
357                 git-checkout-index filename
359 or, if you want to check out all of the index, use `-a`.
361 NOTE! git-checkout-index normally refuses to overwrite old files, so
362 if you have an old version of the tree already checked out, you will
363 need to use the "-f" flag ('before' the "-a" flag or the filename) to
364 'force' the checkout.
367 Finally, there are a few odds and ends which are not purely moving
368 from one representation to the other:
370 5) Tying it all together
371 ~~~~~~~~~~~~~~~~~~~~~~~~
372 To commit a tree you have instantiated with "git-write-tree", you'd
373 create a "commit" object that refers to that tree and the history
374 behind it - most notably the "parent" commits that preceded it in
375 history.
377 Normally a "commit" has one parent: the previous state of the tree
378 before a certain change was made. However, sometimes it can have two
379 or more parent commits, in which case we call it a "merge", due to the
380 fact that such a commit brings together ("merges") two or more
381 previous states represented by other commits.
383 In other words, while a "tree" represents a particular directory state
384 of a working directory, a "commit" represents that state in "time",
385 and explains how we got there.
387 You create a commit object by giving it the tree that describes the
388 state at the time of the commit, and a list of parents:
390         git-commit-tree <tree> -p <parent> [-p <parent2> ..]
392 and then giving the reason for the commit on stdin (either through
393 redirection from a pipe or file, or by just typing it at the tty).
395 git-commit-tree will return the name of the object that represents
396 that commit, and you should save it away for later use. Normally,
397 you'd commit a new `HEAD` state, and while git doesn't care where you
398 save the note about that state, in practice we tend to just write the
399 result to the file pointed at by `.git/HEAD`, so that we can always see
400 what the last committed state was.
402 Here is an ASCII art by Jon Loeliger that illustrates how
403 various pieces fit together.
405 ------------
407                      commit-tree
408                       commit obj
409                        +----+
410                        |    |
411                        |    |
412                        V    V
413                     +-----------+
414                     | Object DB |
415                     |  Backing  |
416                     |   Store   |
417                     +-----------+
418                        ^
419            write-tree  |     |
420              tree obj  |     |
421                        |     |  read-tree
422                        |     |  tree obj
423                              V
424                     +-----------+
425                     |   Index   |
426                     |  "cache"  |
427                     +-----------+
428          update-index  ^
429              blob obj  |     |
430                        |     |
431     checkout-index -u  |     |  checkout-index
432              stat      |     |  blob obj
433                              V
434                     +-----------+
435                     |  Working  |
436                     | Directory |
437                     +-----------+
439 ------------
442 6) Examining the data
443 ~~~~~~~~~~~~~~~~~~~~~
445 You can examine the data represented in the object database and the
446 index with various helper tools. For every object, you can use
447 gitlink:git-cat-file[1] to examine details about the
448 object:
450                 git-cat-file -t <objectname>
452 shows the type of the object, and once you have the type (which is
453 usually implicit in where you find the object), you can use
455                 git-cat-file blob|tree|commit|tag <objectname>
457 to show its contents. NOTE! Trees have binary content, and as a result
458 there is a special helper for showing that content, called
459 `git-ls-tree`, which turns the binary content into a more easily
460 readable form.
462 It's especially instructive to look at "commit" objects, since those
463 tend to be small and fairly self-explanatory. In particular, if you
464 follow the convention of having the top commit name in `.git/HEAD`,
465 you can do
467                 git-cat-file commit HEAD
469 to see what the top commit was.
471 7) Merging multiple trees
472 ~~~~~~~~~~~~~~~~~~~~~~~~~
474 Git helps you do a three-way merge, which you can expand to n-way by
475 repeating the merge procedure arbitrary times until you finally
476 "commit" the state.  The normal situation is that you'd only do one
477 three-way merge (two parents), and commit it, but if you like to, you
478 can do multiple parents in one go.
480 To do a three-way merge, you need the two sets of "commit" objects
481 that you want to merge, use those to find the closest common parent (a
482 third "commit" object), and then use those commit objects to find the
483 state of the directory ("tree" object) at these points.
485 To get the "base" for the merge, you first look up the common parent
486 of two commits with
488                 git-merge-base <commit1> <commit2>
490 which will return you the commit they are both based on.  You should
491 now look up the "tree" objects of those commits, which you can easily
492 do with (for example)
494                 git-cat-file commit <commitname> | head -1
496 since the tree object information is always the first line in a commit
497 object.
499 Once you know the three trees you are going to merge (the one
500 "original" tree, aka the common case, and the two "result" trees, aka
501 the branches you want to merge), you do a "merge" read into the
502 index. This will complain if it has to throw away your old index contents, so you should
503 make sure that you've committed those - in fact you would normally
504 always do a merge against your last commit (which should thus match
505 what you have in your current index anyway).
507 To do the merge, do
509                 git-read-tree -m -u <origtree> <yourtree> <targettree>
511 which will do all trivial merge operations for you directly in the
512 index file, and you can just write the result out with
513 `git-write-tree`.
515 Historical note.  We did not have `-u` facility when this
516 section was first written, so we used to warn that
517 the merge is done in the index file, not in your
518 working directory, and your working directory will no longer match your
519 index.
522 8) Merging multiple trees, continued
523 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
525 Sadly, many merges aren't trivial. If there are files that have
526 been added.moved or removed, or if both branches have modified the
527 same file, you will be left with an index tree that contains "merge
528 entries" in it. Such an index tree can 'NOT' be written out to a tree
529 object, and you will have to resolve any such merge clashes using
530 other tools before you can write out the result.
532 You can examine such index state with `git-ls-files --unmerged`
533 command.  An example:
535 ------------------------------------------------
536 $ git-read-tree -m $orig HEAD $target
537 $ git-ls-files --unmerged
538 100644 263414f423d0e4d70dae8fe53fa34614ff3e2860 1       hello.c
539 100644 06fa6a24256dc7e560efa5687fa84b51f0263c3a 2       hello.c
540 100644 cc44c73eb783565da5831b4d820c962954019b69 3       hello.c
541 ------------------------------------------------
543 Each line of the `git-ls-files --unmerged` output begins with
544 the blob mode bits, blob SHA1, 'stage number', and the
545 filename.  The 'stage number' is git's way to say which tree it
546 came from: stage 1 corresponds to `$orig` tree, stage 2 `HEAD`
547 tree, and stage3 `$target` tree.
549 Earlier we said that trivial merges are done inside
550 `git-read-tree -m`.  For example, if the file did not change
551 from `$orig` to `HEAD` nor `$target`, or if the file changed
552 from `$orig` to `HEAD` and `$orig` to `$target` the same way,
553 obviously the final outcome is what is in `HEAD`.  What the
554 above example shows is that file `hello.c` was changed from
555 `$orig` to `HEAD` and `$orig` to `$target` in a different way.
556 You could resolve this by running your favorite 3-way merge
557 program, e.g.  `diff3` or `merge`, on the blob objects from
558 these three stages yourself, like this:
560 ------------------------------------------------
561 $ git-cat-file blob 263414f... >hello.c~1
562 $ git-cat-file blob 06fa6a2... >hello.c~2
563 $ git-cat-file blob cc44c73... >hello.c~3
564 $ merge hello.c~2 hello.c~1 hello.c~3
565 ------------------------------------------------
567 This would leave the merge result in `hello.c~2` file, along
568 with conflict markers if there are conflicts.  After verifying
569 the merge result makes sense, you can tell git what the final
570 merge result for this file is by:
572         mv -f hello.c~2 hello.c
573         git-update-index hello.c
575 When a path is in unmerged state, running `git-update-index` for
576 that path tells git to mark the path resolved.
578 The above is the description of a git merge at the lowest level,
579 to help you understand what conceptually happens under the hood.
580 In practice, nobody, not even git itself, uses three `git-cat-file`
581 for this.  There is `git-merge-index` program that extracts the
582 stages to temporary files and calls a `merge` script on it
584         git-merge-index git-merge-one-file hello.c
586 and that is what higher level `git resolve` is implemented with.