在提交到存储库之前解压缩压缩的数据文件

Posted 2023-02-24

【中文标题】在提交到存储库之前解压缩压缩的数据文件

【英文标题】：uncompressing zipped data files before committing to repository

【发布时间】：2013-07-06 08:29:00

【问题描述】：

以某种方式将正常压缩文件的“未压缩”版本存储在存储库中是否有意义？

如果是这样，是否有标准的方法来实现这一点？ （也许是一个标准的预提交挂钩，将每个此类文件解压缩到一个特殊命名的文件夹中； 以及将此类特殊命名的文件夹压缩为 LibreOffice 知道如何读写的压缩文件的结帐后挂钩？类似于"Should I decompress zips before I archive?" 描述的过程？） （也许是破解版本控制软件的代码，自动解压新旧版本，并存储解压文件之间的差异，如果失败或没有显着改进，则回退到原始存储系统原始文件之间的直接差异，还是直接存储文件？）

我有一组经常编辑的 OpenOffice / LibreOffice 文件。 我将它们存储在版本控制存储库中—— 正如"Should images be stored in a git repository?" 推荐的那样。 虽然我碰巧使用 TortoiseHg 或 SourceTree 来访问我的存储库，而不是 git。

我碰巧知道 Open Office 文件实际上是 zip 压缩的容器，其中包含一些 XML 文件。 （我听说许多其他流行的应用程序“二进制文件格式”也是某种形式的 zip 压缩文件）。

我的理解是，即使是对此类“二进制”文件的最小更改也会导致整个新文件存储在存储库中。 与“文本”文件中的小更改相反，这会导致仅存储和传输更改。

理论上，这将具有以下优点：

如果更改只有几个字，我可以在更改日志的“差异”视图中看到更改的确切字词。 （而不是无信息的“二进制文件已更改”消息）。 当几个不同的人独立编辑文件的第 14 版时，将他们的所有改进合并到文件的第 16 版中会容易得多，而不会出现回归。 更快地同步到远程存储库 - 只需传输短暂的“更改”，而不是整个（压缩的）文件。 就磁盘空间而言，存储库可能更小 -- 经过几百次更改后，我希望一个相对较小的存储库只包含几百个小更改，而不是一个包含几百个完整副本的相对较大的存储库文件。 （我最后列出了这个优势，因为在这些廉价磁盘空间的日子里它几乎无关紧要）。

【参考方案1】：

以某种方式将正常压缩文件的“未压缩”版本存储在存储库中是否有意义？

这很有意义，尤其是当您需要分支和差异时。

这个old thread总结了情况。

对于大小以嵌入图像和其他大型对象为主的 Openoffice 文档，git delta 机制的性能已经相当不错，因为 OO 文件是 Zip 存档，每个文件都单独压缩。 如果您不更改图像，则该图像仍以相同的方式存储，并且 delta可以做。 对于大小以纯内容为主的 OO 文档，git delta 机制无法工作，因为 zip 压缩引入了“混合”，文档中的微小变化会转换为 zip 文件中的非常大的变化。李>

可以在提交前编写一个clean 过滤器来解压缩。 然而，在结账时使用互补的smudge 过滤器有一个技巧。如果你没有正确涂抹，git 总是将文件显示为对索引进行了更改。 正确涂抹意味着使用与 OO 使用的相同的压缩比和压缩方法，这可能有点棘手。我尝试在clean 和smudge 阶段都使用zip 二进制文件，但效果不佳。弄脏的文件总是与原始文件不同。 人们可能应该在较低级别工作，以便更好地控制正在发生的事情 (libzip)，并在未压缩文件中添加要在涂抹时恢复的压缩参数。

然而，更大的问题是，在处理大型 OO 文件时，清理/涂抹的东西可能真的很慢。