t4118: be nice to non-GNU sed
[git/kusma.git] / Documentation / core-intro.txt
blobeea44d9d5613f448b8c2b8f0aae236f917efad39
1 ////////////////////////////////////////////////////////////////
3         GIT - the stupid content tracker
5 ////////////////////////////////////////////////////////////////
7 "git" can mean anything, depending on your mood.
9  - random three-letter combination that is pronounceable, and not
10    actually used by any common UNIX command.  The fact that it is a
11    mispronunciation of "get" may or may not be relevant.
12  - stupid. contemptible and despicable. simple. Take your pick from the
13    dictionary of slang.
14  - "global information tracker": you're in a good mood, and it actually
15    works for you. Angels sing, and a light suddenly fills the room.
16  - "goddamn idiotic truckload of sh*t": when it breaks
18 This is a (not so) stupid but extremely fast directory content manager.
19 It doesn't do a whole lot at its core, but what it 'does' do is track
20 directory contents efficiently.
22 There are two object abstractions: the "object database", and the
23 "current directory cache" aka "index".
25 The Object Database
26 ~~~~~~~~~~~~~~~~~~~
27 The object database is literally just a content-addressable collection
28 of objects.  All objects are named by their content, which is
29 approximated by the SHA1 hash of the object itself.  Objects may refer
30 to other objects (by referencing their SHA1 hash), and so you can
31 build up a hierarchy of objects.
33 All objects have a statically determined "type" aka "tag", which is
34 determined at object creation time, and which identifies the format of
35 the object (i.e. how it is used, and how it can refer to other
36 objects).  There are currently four different object types: "blob",
37 "tree", "commit" and "tag".
39 A "blob" object cannot refer to any other object, and is, like the type
40 implies, a pure storage object containing some user data.  It is used to
41 actually store the file data, i.e. a blob object is associated with some
42 particular version of some file.
44 A "tree" object is an object that ties one or more "blob" objects into a
45 directory structure. In addition, a tree object can refer to other tree
46 objects, thus creating a directory hierarchy.
48 A "commit" object ties such directory hierarchies together into
49 a DAG of revisions - each "commit" is associated with exactly one tree
50 (the directory hierarchy at the time of the commit). In addition, a
51 "commit" refers to one or more "parent" commit objects that describe the
52 history of how we arrived at that directory hierarchy.
54 As a special case, a commit object with no parents is called the "root"
55 object, and is the point of an initial project commit.  Each project
56 must have at least one root, and while you can tie several different
57 root objects together into one project by creating a commit object which
58 has two or more separate roots as its ultimate parents, that's probably
59 just going to confuse people.  So aim for the notion of "one root object
60 per project", even if git itself does not enforce that.
62 A "tag" object symbolically identifies and can be used to sign other
63 objects. It contains the identifier and type of another object, a
64 symbolic name (of course!) and, optionally, a signature.
66 Regardless of object type, all objects share the following
67 characteristics: they are all deflated with zlib, and have a header
68 that not only specifies their type, but also provides size information
69 about the data in the object.  It's worth noting that the SHA1 hash
70 that is used to name the object is the hash of the original data
71 plus this header, so `sha1sum` 'file' does not match the object name
72 for 'file'.
73 (Historical note: in the dawn of the age of git the hash
74 was the sha1 of the 'compressed' object.)
76 As a result, the general consistency of an object can always be tested
77 independently of the contents or the type of the object: all objects can
78 be validated by verifying that (a) their hashes match the content of the
79 file and (b) the object successfully inflates to a stream of bytes that
80 forms a sequence of <ascii type without space> + <space> + <ascii decimal
81 size> + <byte\0> + <binary object data>.
83 The structured objects can further have their structure and
84 connectivity to other objects verified. This is generally done with
85 the `git-fsck` program, which generates a full dependency graph
86 of all objects, and verifies their internal consistency (in addition
87 to just verifying their superficial consistency through the hash).
89 The object types in some more detail:
91 Blob Object
92 ~~~~~~~~~~~
93 A "blob" object is nothing but a binary blob of data, and doesn't
94 refer to anything else.  There is no signature or any other
95 verification of the data, so while the object is consistent (it 'is'
96 indexed by its sha1 hash, so the data itself is certainly correct), it
97 has absolutely no other attributes.  No name associations, no
98 permissions.  It is purely a blob of data (i.e. normally "file
99 contents").
101 In particular, since the blob is entirely defined by its data, if two
102 files in a directory tree (or in multiple different versions of the
103 repository) have the same contents, they will share the same blob
104 object. The object is totally independent of its location in the
105 directory tree, and renaming a file does not change the object that
106 file is associated with in any way.
108 A blob is typically created when gitlink:git-update-index[1]
109 (or gitlink:git-add[1]) is run, and its data can be accessed by
110 gitlink:git-cat-file[1].
112 Tree Object
113 ~~~~~~~~~~~
114 The next hierarchical object type is the "tree" object.  A tree object
115 is a list of mode/name/blob data, sorted by name.  Alternatively, the
116 mode data may specify a directory mode, in which case instead of
117 naming a blob, that name is associated with another TREE object.
119 Like the "blob" object, a tree object is uniquely determined by the
120 set contents, and so two separate but identical trees will always
121 share the exact same object. This is true at all levels, i.e. it's
122 true for a "leaf" tree (which does not refer to any other trees, only
123 blobs) as well as for a whole subdirectory.
125 For that reason a "tree" object is just a pure data abstraction: it
126 has no history, no signatures, no verification of validity, except
127 that since the contents are again protected by the hash itself, we can
128 trust that the tree is immutable and its contents never change.
130 So you can trust the contents of a tree to be valid, the same way you
131 can trust the contents of a blob, but you don't know where those
132 contents 'came' from.
134 Side note on trees: since a "tree" object is a sorted list of
135 "filename+content", you can create a diff between two trees without
136 actually having to unpack two trees.  Just ignore all common parts,
137 and your diff will look right.  In other words, you can effectively
138 (and efficiently) tell the difference between any two random trees by
139 O(n) where "n" is the size of the difference, rather than the size of
140 the tree.
142 Side note 2 on trees: since the name of a "blob" depends entirely and
143 exclusively on its contents (i.e. there are no names or permissions
144 involved), you can see trivial renames or permission changes by
145 noticing that the blob stayed the same.  However, renames with data
146 changes need a smarter "diff" implementation.
148 A tree is created with gitlink:git-write-tree[1] and
149 its data can be accessed by gitlink:git-ls-tree[1].
150 Two trees can be compared with gitlink:git-diff-tree[1].
152 Commit Object
153 ~~~~~~~~~~~~~
154 The "commit" object is an object that introduces the notion of
155 history into the picture.  In contrast to the other objects, it
156 doesn't just describe the physical state of a tree, it describes how
157 we got there, and why.
159 A "commit" is defined by the tree-object that it results in, the
160 parent commits (zero, one or more) that led up to that point, and a
161 comment on what happened.  Again, a commit is not trusted per se:
162 the contents are well-defined and "safe" due to the cryptographically
163 strong signatures at all levels, but there is no reason to believe
164 that the tree is "good" or that the merge information makes sense.
165 The parents do not have to actually have any relationship with the
166 result, for example.
168 Note on commits: unlike real SCM's, commits do not contain
169 rename information or file mode change information.  All of that is
170 implicit in the trees involved (the result tree, and the result trees
171 of the parents), and describing that makes no sense in this idiotic
172 file manager.
174 A commit is created with gitlink:git-commit-tree[1] and
175 its data can be accessed by gitlink:git-cat-file[1].
177 Trust
178 ~~~~~
179 An aside on the notion of "trust". Trust is really outside the scope
180 of "git", but it's worth noting a few things.  First off, since
181 everything is hashed with SHA1, you 'can' trust that an object is
182 intact and has not been messed with by external sources.  So the name
183 of an object uniquely identifies a known state - just not a state that
184 you may want to trust.
186 Furthermore, since the SHA1 signature of a commit refers to the
187 SHA1 signatures of the tree it is associated with and the signatures
188 of the parent, a single named commit specifies uniquely a whole set
189 of history, with full contents.  You can't later fake any step of the
190 way once you have the name of a commit.
192 So to introduce some real trust in the system, the only thing you need
193 to do is to digitally sign just 'one' special note, which includes the
194 name of a top-level commit.  Your digital signature shows others
195 that you trust that commit, and the immutability of the history of
196 commits tells others that they can trust the whole history.
198 In other words, you can easily validate a whole archive by just
199 sending out a single email that tells the people the name (SHA1 hash)
200 of the top commit, and digitally sign that email using something
201 like GPG/PGP.
203 To assist in this, git also provides the tag object...
205 Tag Object
206 ~~~~~~~~~~
207 Git provides the "tag" object to simplify creating, managing and
208 exchanging symbolic and signed tokens.  The "tag" object at its
209 simplest simply symbolically identifies another object by containing
210 the sha1, type and symbolic name.
212 However it can optionally contain additional signature information
213 (which git doesn't care about as long as there's less than 8k of
214 it). This can then be verified externally to git.
216 Note that despite the tag features, "git" itself only handles content
217 integrity; the trust framework (and signature provision and
218 verification) has to come from outside.
220 A tag is created with gitlink:git-mktag[1],
221 its data can be accessed by gitlink:git-cat-file[1],
222 and the signature can be verified by
223 gitlink:git-verify-tag[1].
226 The "index" aka "Current Directory Cache"
227 -----------------------------------------
228 The index is a simple binary file, which contains an efficient
229 representation of a virtual directory content at some random time.  It
230 does so by a simple array that associates a set of names, dates,
231 permissions and content (aka "blob") objects together.  The cache is
232 always kept ordered by name, and names are unique (with a few very
233 specific rules) at any point in time, but the cache has no long-term
234 meaning, and can be partially updated at any time.
236 In particular, the index certainly does not need to be consistent with
237 the current directory contents (in fact, most operations will depend on
238 different ways to make the index 'not' be consistent with the directory
239 hierarchy), but it has three very important attributes:
241 '(a) it can re-generate the full state it caches (not just the
242 directory structure: it contains pointers to the "blob" objects so
243 that it can regenerate the data too)'
245 As a special case, there is a clear and unambiguous one-way mapping
246 from a current directory cache to a "tree object", which can be
247 efficiently created from just the current directory cache without
248 actually looking at any other data.  So a directory cache at any one
249 time uniquely specifies one and only one "tree" object (but has
250 additional data to make it easy to match up that tree object with what
251 has happened in the directory)
253 '(b) it has efficient methods for finding inconsistencies between that
254 cached state ("tree object waiting to be instantiated") and the
255 current state.'
257 '(c) it can additionally efficiently represent information about merge
258 conflicts between different tree objects, allowing each pathname to be
259 associated with sufficient information about the trees involved that
260 you can create a three-way merge between them.'
262 Those are the three ONLY things that the directory cache does.  It's a
263 cache, and the normal operation is to re-generate it completely from a
264 known tree object, or update/compare it with a live tree that is being
265 developed.  If you blow the directory cache away entirely, you generally
266 haven't lost any information as long as you have the name of the tree
267 that it described.
269 At the same time, the index is at the same time also the
270 staging area for creating new trees, and creating a new tree always
271 involves a controlled modification of the index file.  In particular,
272 the index file can have the representation of an intermediate tree that
273 has not yet been instantiated.  So the index can be thought of as a
274 write-back cache, which can contain dirty information that has not yet
275 been written back to the backing store.
279 The Workflow
280 ------------
281 Generally, all "git" operations work on the index file. Some operations
282 work *purely* on the index file (showing the current state of the
283 index), but most operations move data to and from the index file. Either
284 from the database or from the working directory. Thus there are four
285 main combinations:
287 1) working directory -> index
288 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
290 You update the index with information from the working directory with
291 the gitlink:git-update-index[1] command.  You
292 generally update the index information by just specifying the filename
293 you want to update, like so:
295         git-update-index filename
297 but to avoid common mistakes with filename globbing etc, the command
298 will not normally add totally new entries or remove old entries,
299 i.e. it will normally just update existing cache entries.
301 To tell git that yes, you really do realize that certain files no
302 longer exist, or that new files should be added, you
303 should use the `--remove` and `--add` flags respectively.
305 NOTE! A `--remove` flag does 'not' mean that subsequent filenames will
306 necessarily be removed: if the files still exist in your directory
307 structure, the index will be updated with their new status, not
308 removed. The only thing `--remove` means is that update-cache will be
309 considering a removed file to be a valid thing, and if the file really
310 does not exist any more, it will update the index accordingly.
312 As a special case, you can also do `git-update-index --refresh`, which
313 will refresh the "stat" information of each index to match the current
314 stat information. It will 'not' update the object status itself, and
315 it will only update the fields that are used to quickly test whether
316 an object still matches its old backing store object.
318 2) index -> object database
319 ~~~~~~~~~~~~~~~~~~~~~~~~~~~
321 You write your current index file to a "tree" object with the program
323         git-write-tree
325 that doesn't come with any options - it will just write out the
326 current index into the set of tree objects that describe that state,
327 and it will return the name of the resulting top-level tree. You can
328 use that tree to re-generate the index at any time by going in the
329 other direction:
331 3) object database -> index
332 ~~~~~~~~~~~~~~~~~~~~~~~~~~~
334 You read a "tree" file from the object database, and use that to
335 populate (and overwrite - don't do this if your index contains any
336 unsaved state that you might want to restore later!) your current
337 index.  Normal operation is just
339                 git-read-tree <sha1 of tree>
341 and your index file will now be equivalent to the tree that you saved
342 earlier. However, that is only your 'index' file: your working
343 directory contents have not been modified.
345 4) index -> working directory
346 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
348 You update your working directory from the index by "checking out"
349 files. This is not a very common operation, since normally you'd just
350 keep your files updated, and rather than write to your working
351 directory, you'd tell the index files about the changes in your
352 working directory (i.e. `git-update-index`).
354 However, if you decide to jump to a new version, or check out somebody
355 else's version, or just restore a previous tree, you'd populate your
356 index file with read-tree, and then you need to check out the result
357 with
359                 git-checkout-index filename
361 or, if you want to check out all of the index, use `-a`.
363 NOTE! git-checkout-index normally refuses to overwrite old files, so
364 if you have an old version of the tree already checked out, you will
365 need to use the "-f" flag ('before' the "-a" flag or the filename) to
366 'force' the checkout.
369 Finally, there are a few odds and ends which are not purely moving
370 from one representation to the other:
372 5) Tying it all together
373 ~~~~~~~~~~~~~~~~~~~~~~~~
374 To commit a tree you have instantiated with "git-write-tree", you'd
375 create a "commit" object that refers to that tree and the history
376 behind it - most notably the "parent" commits that preceded it in
377 history.
379 Normally a "commit" has one parent: the previous state of the tree
380 before a certain change was made. However, sometimes it can have two
381 or more parent commits, in which case we call it a "merge", due to the
382 fact that such a commit brings together ("merges") two or more
383 previous states represented by other commits.
385 In other words, while a "tree" represents a particular directory state
386 of a working directory, a "commit" represents that state in "time",
387 and explains how we got there.
389 You create a commit object by giving it the tree that describes the
390 state at the time of the commit, and a list of parents:
392         git-commit-tree <tree> -p <parent> [-p <parent2> ..]
394 and then giving the reason for the commit on stdin (either through
395 redirection from a pipe or file, or by just typing it at the tty).
397 git-commit-tree will return the name of the object that represents
398 that commit, and you should save it away for later use. Normally,
399 you'd commit a new `HEAD` state, and while git doesn't care where you
400 save the note about that state, in practice we tend to just write the
401 result to the file pointed at by `.git/HEAD`, so that we can always see
402 what the last committed state was.
404 Here is an ASCII art by Jon Loeliger that illustrates how
405 various pieces fit together.
407 ------------
409                      commit-tree
410                       commit obj
411                        +----+
412                        |    |
413                        |    |
414                        V    V
415                     +-----------+
416                     | Object DB |
417                     |  Backing  |
418                     |   Store   |
419                     +-----------+
420                        ^
421            write-tree  |     |
422              tree obj  |     |
423                        |     |  read-tree
424                        |     |  tree obj
425                              V
426                     +-----------+
427                     |   Index   |
428                     |  "cache"  |
429                     +-----------+
430          update-index  ^
431              blob obj  |     |
432                        |     |
433     checkout-index -u  |     |  checkout-index
434              stat      |     |  blob obj
435                              V
436                     +-----------+
437                     |  Working  |
438                     | Directory |
439                     +-----------+
441 ------------
444 6) Examining the data
445 ~~~~~~~~~~~~~~~~~~~~~
447 You can examine the data represented in the object database and the
448 index with various helper tools. For every object, you can use
449 gitlink:git-cat-file[1] to examine details about the
450 object:
452                 git-cat-file -t <objectname>
454 shows the type of the object, and once you have the type (which is
455 usually implicit in where you find the object), you can use
457                 git-cat-file blob|tree|commit|tag <objectname>
459 to show its contents. NOTE! Trees have binary content, and as a result
460 there is a special helper for showing that content, called
461 `git-ls-tree`, which turns the binary content into a more easily
462 readable form.
464 It's especially instructive to look at "commit" objects, since those
465 tend to be small and fairly self-explanatory. In particular, if you
466 follow the convention of having the top commit name in `.git/HEAD`,
467 you can do
469                 git-cat-file commit HEAD
471 to see what the top commit was.
473 7) Merging multiple trees
474 ~~~~~~~~~~~~~~~~~~~~~~~~~
476 Git helps you do a three-way merge, which you can expand to n-way by
477 repeating the merge procedure arbitrary times until you finally
478 "commit" the state.  The normal situation is that you'd only do one
479 three-way merge (two parents), and commit it, but if you like to, you
480 can do multiple parents in one go.
482 To do a three-way merge, you need the two sets of "commit" objects
483 that you want to merge, use those to find the closest common parent (a
484 third "commit" object), and then use those commit objects to find the
485 state of the directory ("tree" object) at these points.
487 To get the "base" for the merge, you first look up the common parent
488 of two commits with
490                 git-merge-base <commit1> <commit2>
492 which will return you the commit they are both based on.  You should
493 now look up the "tree" objects of those commits, which you can easily
494 do with (for example)
496                 git-cat-file commit <commitname> | head -1
498 since the tree object information is always the first line in a commit
499 object.
501 Once you know the three trees you are going to merge (the one
502 "original" tree, aka the common case, and the two "result" trees, aka
503 the branches you want to merge), you do a "merge" read into the
504 index. This will complain if it has to throw away your old index contents, so you should
505 make sure that you've committed those - in fact you would normally
506 always do a merge against your last commit (which should thus match
507 what you have in your current index anyway).
509 To do the merge, do
511                 git-read-tree -m -u <origtree> <yourtree> <targettree>
513 which will do all trivial merge operations for you directly in the
514 index file, and you can just write the result out with
515 `git-write-tree`.
517 Historical note.  We did not have `-u` facility when this
518 section was first written, so we used to warn that
519 the merge is done in the index file, not in your
520 working tree, and your working tree will not match your
521 index after this step.
522 This is no longer true.  The above command, thanks to `-u`
523 option, updates your working tree with the merge results for
524 paths that have been trivially merged.
527 8) Merging multiple trees, continued
528 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
530 Sadly, many merges aren't trivial. If there are files that have
531 been added.moved or removed, or if both branches have modified the
532 same file, you will be left with an index tree that contains "merge
533 entries" in it. Such an index tree can 'NOT' be written out to a tree
534 object, and you will have to resolve any such merge clashes using
535 other tools before you can write out the result.
537 You can examine such index state with `git-ls-files --unmerged`
538 command.  An example:
540 ------------------------------------------------
541 $ git-read-tree -m $orig HEAD $target
542 $ git-ls-files --unmerged
543 100644 263414f423d0e4d70dae8fe53fa34614ff3e2860 1       hello.c
544 100644 06fa6a24256dc7e560efa5687fa84b51f0263c3a 2       hello.c
545 100644 cc44c73eb783565da5831b4d820c962954019b69 3       hello.c
546 ------------------------------------------------
548 Each line of the `git-ls-files --unmerged` output begins with
549 the blob mode bits, blob SHA1, 'stage number', and the
550 filename.  The 'stage number' is git's way to say which tree it
551 came from: stage 1 corresponds to `$orig` tree, stage 2 `HEAD`
552 tree, and stage3 `$target` tree.
554 Earlier we said that trivial merges are done inside
555 `git-read-tree -m`.  For example, if the file did not change
556 from `$orig` to `HEAD` nor `$target`, or if the file changed
557 from `$orig` to `HEAD` and `$orig` to `$target` the same way,
558 obviously the final outcome is what is in `HEAD`.  What the
559 above example shows is that file `hello.c` was changed from
560 `$orig` to `HEAD` and `$orig` to `$target` in a different way.
561 You could resolve this by running your favorite 3-way merge
562 program, e.g.  `diff3` or `merge`, on the blob objects from
563 these three stages yourself, like this:
565 ------------------------------------------------
566 $ git-cat-file blob 263414f... >hello.c~1
567 $ git-cat-file blob 06fa6a2... >hello.c~2
568 $ git-cat-file blob cc44c73... >hello.c~3
569 $ merge hello.c~2 hello.c~1 hello.c~3
570 ------------------------------------------------
572 This would leave the merge result in `hello.c~2` file, along
573 with conflict markers if there are conflicts.  After verifying
574 the merge result makes sense, you can tell git what the final
575 merge result for this file is by:
577         mv -f hello.c~2 hello.c
578         git-update-index hello.c
580 When a path is in unmerged state, running `git-update-index` for
581 that path tells git to mark the path resolved.
583 The above is the description of a git merge at the lowest level,
584 to help you understand what conceptually happens under the hood.
585 In practice, nobody, not even git itself, uses three `git-cat-file`
586 for this.  There is `git-merge-index` program that extracts the
587 stages to temporary files and calls a "merge" script on it:
589         git-merge-index git-merge-one-file hello.c
591 and that is what higher level `git merge -s resolve` is implemented
592 with.