清理git仓库

参考

https://harttle.land/2016/03/22/purge-large-files-in-gitrepo.html

https://git-scm.com/docs/git-rev-list

https://git-scm.com/docs/git-filter-branch

https://git-scm.com/docs/git-verify-pack

该文章是自己操作时查找资料的实践内容，内容完全来自上面的作者。

前言

开发久了，有一些很老的东西，比如一开始没有拆分后来拆分到别的仓库的代码，编译的一些类库，或是后面删除掉的无用的模块，放在仓库中，每次clone，都非常大，可以通过git的一些方法查找，并且从仓库中删除。

特别注意

这是个很危险的动作，有可能会丢失数据，所以操作之前最好备份或是确保删除的不是关键信息。因为做了这个操作这些东西会永远从你的git仓库中删除，并且再也找不到任何信息，无法还原，所有的历史信息都会被重写。

删除一个文件

git filter-branch -f --prune-empty --index-filter 'git rm -rf --cached --ignore-unmatch ' --tag-name-filter cat -- --all

这里的命令就是把每一次提交都执行一次git rm -rf --cached --ignore-unmatch 的命令，这个命令就是把一个文件从git的跟踪仓库中删除。具体参考 https://www.cnblogs.com/studywithallofyou/p/11772684.html

--index-filter参数用来指定一条Bash命令，然后Git会检出（checkout）所有的提交， 执行该命令，然后重新提交。这样的话，我们就是在每个提交的记录下，调用命令，移除，然后再提交，这个文件便从Git的所有记录中完全消失了。

删除一个文件夹

这个功能主要就是靠git rm的不同参数实现，也就是git filter-branch负责重写每次提交的历史，具体操作就是--index-filter指定的一条命令。上面的是删除一个文件，换成删除文件夹的，就可以指定删除某个文件夹下的内容。比如一开始我们提交了一个目录，里面都是一些编译生成的类库，后来不需要了，可以把它从历史中删掉。

git filter-branch -f --prune-empty --index-filter 'git rm -rf --cached --ignore-unmatch ' --tag-name-filter cat -- --all

寻找大文件的ID

如果我们忘记了历史中哪些文件比较大，又想清理仓库，那么就可以用git verify-pack来查找。这个命令的作用就是列出来每次提交的内容中的详细信息，其中包含了提交内容的大小。

$ git verify-pack -v .git/objects/pack/*.idx
8fa15d279de33ce28a3289fd33951374084231e4 tree   135 137 144088922
a44a50b2ffb1f8283c8e64aafb8e7628249d7453 tree   33 43 144089059
b57d99f38fe22491e4a2d30c2b081ecb7bbb329c tree   99 97 144089102
2d4ffaffc11758d561ea1a6d57dd8ee17ee1d836 blob   644952 644959 144089199
8cf81ebfeec409f19e7a47a76517317f3bfa268d blob   695898 695871 144734158

-v（verbose）参数是打印详细信息。

输出的第一列是提交的index id，第二列表示文件（blob）或目录（tree），第三列是文件大小。 现在得到了所有的文件ID及其大小，然后我们就可以通过写一些脚本排序找出最大提交内容的index。

先按照第三列排序，并取最大的5条，然后打印出每项的第一列（index id）：

$ git verify-pack -v .git/objects/pack/*.idx | sort -k 3 -n | tail -5 | awk '{print$1}')"
f846f156d16f74243b67e3dabec58a3128744352 
4a1546e732b2e2a352b7bf220c1a22ad859abf89 
f72d04efe6d0b41b067f9fbbc62455f28d3670d2 
49bdf300ddf57d1946bc9c6570d94a38ac9d6a50 
9c073d4177af5d2e43ada41f92efb18d9462a536

这条命令的作用就是，显示到git仓库目录中过滤每一条提交index的信息，然后把这些信息中，按照第三行也就是大小排序，然后把最大的几个筛选出来，最后只打印对应的index id就可以了。

文件名与ID映射

上面我们仅仅得到的是提交的index，还是不知道这些里面哪些文件比较大，因为git rm需要指定文件名称。这时就需要git rev-list命令，这个命令的作用是列出来一个提交里面的内容信息。

$ git rev-list --objects --all
c252878ac09a3979a80520b82a71dc2dae4529f9
7bc7d05c6097063f531580ba4c32921464a6c456 _drafts
dcce26ed53fbb869dc7d5b71742d2f9e523bfe42 _layouts
414186c794a0d58695abb75c548bdbfec1de2763 _layouts/default.html
1934eeffe3d242375510dff28cffa6de6b3de367 _layouts/post.html
5f14647875f2177a6d37b8bfbcdb4629af595b64 _posts
6cdbb293d453ced07e6a07e0aa6e580e6a5538f4 _posts/2013-10-12-2.md

--objects：列出该提交涉及的所有文件ID。
--all：所有分支的提交，相当于指定了位于/refs下的所有引用。

得到文件名列表

如果内容不多，你可以按照上面最大index的列表，然后一个个通过git rev-list来查看哪些文件比较大，一般也不是特别多，如果比较多或是想以后使用，可以再写一个脚本，排序出最大的文件列表。

$ git rev-list --objects --all | grep "$(git verify-pack -v .git/objects/pack/*.idx | sort -k 3 -n | tail -5 | awk '{print$1}')"
f846f156d16f74243b67e3dabec58a3128744352 assets/img/recent-badge.psd
4a1546e732b2e2a352b7bf220c1a22ad859abf89 assets/img/album/me/IMG_0276.JPG
f72d04efe6d0b41b067f9fbbc62455f28d3670d2 assets/img/album/me/IMG_0389.JPG
49bdf300ddf57d1946bc9c6570d94a38ac9d6a50 assets/img/album/me/IMG_0813.JPG
9c073d4177af5d2e43ada41f92efb18d9462a536 assets/img/album/me/IMG_0891.JPG

上面的命令就是先通过rev-list列出所有index对应的文件信息，然后通过我们上面查找出的最大的提交index，通过grep过滤出来。这样就可以列出来上面查找的最大的提交index中所有的文件信息。

然后就可以从里面找出可以的文件删除了。删除完成后记着push到远程分支，如果push报错，可以通过下面命令，强制把所有分支的内容推送到远程。到此结束。

git push origin --force --all