Git: Найти дубликаты BLOB-объектов (файлов) в этом дереве

Question

Это своего рода продолжение этого вопроса .

Если есть несколько BLOB-объектов с одинаковым содержимым, они хранятся в Git-хранилище только один раз, потому что их SHA-1 будут идентичны. Как можно найти все дубликаты файлов для данного дерева?

Нужно ли вам ходить по дереву и искать дубликаты хэшей, или git предоставляет обратные ссылки от каждого большого двоичного объекта на все файлы в дереве, которые ссылаются на него?

Answer 1

[alias]
    # find duplicate files from root
    alldupes = !"git ls-tree -r HEAD | cut -c 13- | sort | uniq -D -w 40"

    # find duplicate files from the current folder (can also be root)
    dupes = !"cd `pwd`/$GIT_PREFIX && git ls-tree -r HEAD | cut -c 13- | sort | uniq -D -w 40"

Answer 2

Запуск этой кодовой базы, над которой я работаю, открывал мне глаза!

#!/usr/bin/perl

# usage: git ls-tree -r HEAD | $PROGRAM_NAME

use strict;
use warnings;

my $sha1_path = {};

while (my $line = <STDIN>) {
    chomp $line;

    if ($line =~ m{ \A \d+ \s+ \w+ \s+ (\w+) \s+ (\S+) \z }xms) {
        my $sha1 = $1;
        my $path = $2;

        push @{$sha1_path->{$sha1}}, $path;
    }
}

foreach my $sha1 (keys %$sha1_path) {
    if (scalar @{$sha1_path->{$sha1}} > 1) {
        foreach my $path (@{$sha1_path->{$sha1}}) {
            print "$sha1  $path\n";
        }

        print '-' x 40, "\n";
    }
}

Answer 3

Только что сделал однострочник, который выделяет дубликаты, отображаемые git ls-tree.
Может быть полезным

git ls-tree -r HEAD |
    sort -t ' ' -k 3 |
    perl -ne '$1 && / $1\t/ && print "\e[0;31m" ; / ([0-9a-f]{40})\t/; print "$_\e[0m"'

Answer 4

Сценарии ответов на ваш связанный вопрос в значительной степени применимы и здесь.

Попробуйте следующую команду git из корня вашего репозитория git.

git ls-tree -r HEAD

Создает рекурсивный список всех «больших двоичных объектов» в текущем заголовке, включая их путь и идентификатор sha1.

git не поддерживает обратные ссылки от большого двоичного объекта к дереву, поэтому было бы задачей сценария (perl, python?) Проанализировать вывод git ls-tree -r и создать сводный отчет обо всех sha1, которые появляются более одного раза в список.

Answer 5

Для пользователей Windows / PowerShell:

git ls-tree -r HEAD | group { $_ -replace '.{12}(.{40}).*', '$1' } | ? { $_.Count -gt 1 } | select -expand Group

Это выводит что-то вроде:

100644 blob 8a49bcbae578c405ba2596c06f46fabbbc331c64    filename1
100644 blob 8a49bcbae578c405ba2596c06f46fabbbc331c64    filename2
100644 blob c1720b20bb3ad5761c1afb6a3113fbc2ba94994e    filename3
100644 blob c1720b20bb3ad5761c1afb6a3113fbc2ba94994e    filename4

Answer 6

Более общее:

( for f in `find .`; do test -f $f && echo $(wc -c <$f) $(md5 -q $f)   ; done ) |sort |uniq -c |grep -vE '^\s*1\b' |sed 's/.* //' > ~/dup.md5 ; \
( for f in `find .`; do test -f $f && echo $(wc -c <$f) $(md5 -q $f) $f; done ) |fgrep -f ~/dup.md5 |sort