Github 的清點物件演算法

使用 Github 的時候，你有沒有見過下面的提示？

$ git clone https://github.com/torvalds/linux
Cloning into 'linux'...
remote: Counting objects: 4350078, done.
remote: Compressing objects: 100% (4677/4677), done.
Receiving objects:   4% (191786/4350078), 78.19 MiB | 8.70 MiB/s

這段提示說，遠端程式碼庫一共有4350078個物件需要克隆。

這就叫”清點物件”（counting objects），Github需要實時計算出來，需要克隆的物件總數。

這個過程非常慢，根據Github的披露，像Linux kernel這樣巨大的庫，清點一次需要8分鐘！也就是說，發出git clone命令後，會幹等八分鐘，然後才會開始真正的資料傳輸。這當然是無法忍受的。Github團隊一直想解決這個問題。

後來，他們終於發現了一種新的演算法，現在清點一次只要3毫秒！

為了理解這個演算法，你必須先知道，什麼是Git的物件。簡單說，物件就是檔案，最重要的物件有三種。

• 快照物件（Commit）
• 目錄物件（Directory）
• 檔案物件（File）

每次提交程式碼的時候，會生成一個commit物件，裡面有對應的當前”目錄物件”的名字。”目錄物件”儲存了程式碼根目錄所含有的子目錄和檔案資訊。每一個子目錄就是另一個”目錄物件”，每一個檔案則是”檔案物件”，裡面是具體的檔案內容。

所以，”清點物件”就是清點各種commit、目錄、檔案等。git clone和git fetch操作都需要清點物件，因為需要知道，到底下載哪些物件檔案。

清點物件的原始演算法如下。

1. 列出本地所有分支最新的一個commit
2. 列出遠端所有分支最新的一個commit
3. 兩者進行比較，只要有不同，就意味著分支發生變動
4. 每一個發生變動的commit，都清點其中具體變動的子目錄和檔案
5. 追溯到當前commit的父節點，重複第四步，直至本地與遠端的歷史一致為止
6. 加總所有需要變動的物件

上面的過程說明，”清點物件”是一個檔案遍歷演算法，變動的物件會被一一清點到，這就意味著大量的檔案讀操作。對於大型程式碼庫來說，這個過程非常慢。

Github團隊想到的新演算法，是建立一個Bitmap索引，即為每一個commit生成一個二進位制值。

開啟本地Github倉庫的.git/objects/pack/目錄，你會看到一個索引檔案和一個資料檔案，它們就是Bitmap。簡單說，這兩個檔案索引了當前程式碼庫的所有物件，然後使用一個二進位制值代表這些物件。有多少個物件，這個二進位制值就有多少位。它的第n位，就代表資料檔案裡面的第n個物件。

每個commit都會有一個對應的二進位制值，表示當前快照包含的所有物件。這些物件對應的二進位制位都為1，其他二進位制位都為0。

這樣做的好處是，不用讀取commit物件，只要讀取這個二進位制值，就會知道當前commit包含了哪些節點。更妙的是，兩個二進位制值只要做一次XOR運算，就會知道哪些位（即哪些物件）發生了變動。而且，因為新的物件總是新增到現有二進位制位的後面，所以只要讀取多出來的那些位，就知道當前commit比上一次commit多出了哪些物件。

這樣一來，”清點物件”就變成了二進位制值的比較運算，因此速度極快。進一步的介紹，請參看官方文件《Bitmap的解釋》，《Bitmap的格式》。

目前，Github的生產環境已經部署了這套演算法，使用者再也不用為了清點物件，而苦苦等待了。而且，Github團隊還把它合併進了Git，這意味著，從此所有Git實現都可以使用Bitmap功能了，因此將來肯定還會有更多好玩的用法出現。