我有一个300 MB的git回购。我当前已签出文件的总大小为2 MB，其余git repo的总大小为298 MB。这基本上是一个仅代码的回购，不应超过几个MB。

我怀疑有人不小心提交了一些大文件（视频，图像等），然后将它们删除了……但不是从git中删除，因此历史记录中仍然包含无用的大文件。如何在git历史记录中找到大文件？有超过400次提交，因此一步一步进行是不实际的。

注意：我的问题不是关于如何删除文件，而是如何首先找到它。

我发现该脚本在过去非常有用，可以在git存储库中查找大型（非显而易见的）对象：

• http://stubbisms.wordpress.com/2009/07/10/git-script-to-show-largest-pack-objects-and-trim-your-waist-line/

#!/bin/bash
#set -x 

# Shows you the largest objects in your repo's pack file.
# Written for osx.
#
# @see https://stubbisms.wordpress.com/2009/07/10/git-script-to-show-largest-pack-objects-and-trim-your-waist-line/
# @author Antony Stubbs

# set the internal field separator to line break, so that we can iterate easily over the verify-pack output
IFS=$'\n';

# list all objects including their size, sort by size, take top 10
objects=`git verify-pack -v .git/objects/pack/pack-*.idx | grep -v chain | sort -k3nr | head`

echo "All sizes are in kB's. The pack column is the size of the object, compressed, inside the pack file."

output="size,pack,SHA,location"
allObjects=`git rev-list --all --objects`
for y in $objects
do
    # extract the size in bytes
    size=$((`echo $y | cut -f 5 -d ' '`/1024))
    # extract the compressed size in bytes
    compressedSize=$((`echo $y | cut -f 6 -d ' '`/1024))
    # extract the SHA
    sha=`echo $y | cut -f 1 -d ' '`
    # find the objects location in the repository tree
    other=`echo "${allObjects}" | grep $sha`
    #lineBreak=`echo -e "\n"`
    output="${output}\n${size},${compressedSize},${other}"
done

echo -e $output | column -t -s ', '

这将为您提供Blob的对象名称（SHA1sum），然后您可以使用如下脚本：

• 这个Blob有哪个提交？

...查找指向每个blob的提交。

shell极快的外壳单线🚀

此shell脚本显示存储库中的所有blob对象，从最小到最大排序。

对于我的示例仓库，它的运行速度比此处找到的其他仓库快100倍。
在我值得信赖的Athlon II X4系统上，它在一分钟内即可处理拥有560万个对象的Linux Kernel存储库。。

基本脚本

git rev-list --objects --all \
| git cat-file --batch-check='%(objecttype) %(objectname) %(objectsize) %(rest)' \
| sed -n 's/^blob //p' \
| sort --numeric-sort --key=2 \
| cut -c 1-12,41- \
| $(command -v gnumfmt || echo numfmt) --field=2 --to=iec-i --suffix=B --padding=7 --round=nearest

当您运行上述代码时，您将获得类似以下内容的易于阅读的输出：

...
0d99bb931299  530KiB path/to/some-image.jpg
2ba44098e28f   12MiB path/to/hires-image.png
bd1741ddce0d   63MiB path/to/some-video-1080p.mp4

macOS用户：由于numfmt在macOS上不可用，因此您可以省略最后一行并处理原始字节大小或brew install coreutils。

筛选

要实现进一步过滤，请在该行之前sort插入以下任意行。

要排除中存在的文件HEAD，请插入以下行：

| grep -vF --file=<(git ls-tree -r HEAD | awk '{print $3}') \

要仅显示超过给定大小的文件（例如1 MiB = 2 ²⁰  B），请插入以下行：

| awk '$2 >= 2^20' \

电脑输出

要生成更适合计算机进一步处理的输出，请省略基本脚本的最后两行。他们进行所有格式化。这将使您具有以下内容：

...
0d99bb93129939b72069df14af0d0dbda7eb6dba 542455 path/to/some-image.jpg
2ba44098e28f8f66bac5e21210c2774085d2319b 12446815 path/to/hires-image.png
bd1741ddce0d07b72ccf69ed281e09bf8a2d0b2f 65183843 path/to/some-video-1080p.mp4

文件删除

对于实际的文件删除，请查看关于主题的该SO问题。

我已经在苏黎世联邦理工学院物理系的wiki页面（接近该页面的结尾）上找到了一种单线解决方案。只需执行一次操作git gc即可删除陈旧的垃圾，然后

git rev-list --objects --all \
  | grep "$(git verify-pack -v .git/objects/pack/*.idx \
           | sort -k 3 -n \
           | tail -10 \
           | awk '{print$1}')"

将为您提供存储库中最大的10个文件。

现在还有一个懒惰的解决方案GitExtensions现在有一个插件可以在UI中执行此操作（并处理历史重写）。

步骤1将所有文件SHA1写入文本文件：

git rev-list --objects --all | sort -k 2 > allfileshas.txt

步骤2将Blob从最大到最小排序，然后将结果写入文本文件：

git gc && git verify-pack -v .git/objects/pack/pack-*.idx | egrep "^\w+ blob\W+[0-9]+ [0-9]+ [0-9]+$" | sort -k 3 -n -r > bigobjects.txt

步骤3a合并两个文本文件以获得文件名/ sha1 /大小信息：

for SHA in `cut -f 1 -d\  < bigobjects.txt`; do
echo $(grep $SHA bigobjects.txt) $(grep $SHA allfileshas.txt) | awk '{print $1,$3,$7}' >> bigtosmall.txt
done;

步骤3b如果您的文件名或路径名包含空格，请尝试此步骤3a的变体。它使用cut而不是awk获取所需的列，包括。从第7列到行尾的空格：

for SHA in `cut -f 1 -d\  < bigobjects.txt`; do
echo $(grep $SHA bigobjects.txt) $(grep $SHA allfileshas.txt) | cut -d ' ' -f'1,3,7-' >> bigtosmall.txt
done;

现在，您可以查看文件bigtosmall.txt，以确定要从Git历史记录中删除的文件。

步骤4要执行删除（请注意，此部分很慢，因为它将检查历史记录中的每个提交以获取有关所标识文件的数据）：

git filter-branch --tree-filter 'rm -f myLargeFile.log' HEAD

资源

从从Git历史记录查找和清除大文件中复制了步骤1-3a

编辑

该文章在2017年下半年的某个时候被删除，但仍可以使用Wayback Machine访问该文章的存档副本。

您应该使用BFG Repo-Cleaner。

根据网站：

BFG是git-filter-branch的一种更简单，更快的替代方法，用于从Git存储库历史记录中清除不良数据：

• 删除疯狂的大文件
• 删除密码，凭据和其他私人数据

减少存储库大小的经典过程是：

git clone --mirror git://example.com/some-big-repo.git
java -jar bfg.jar --strip-biggest-blobs 500 some-big-repo.git
cd some-big-repo.git
git reflog expire --expire=now --all
git gc --prune=now --aggressive
git push

如果您只想列出大文件，那么我想为您提供以下内容：

join -o "1.1 1.2 2.3" <(git rev-list --objects --all | sort) <(git verify-pack -v objects/pack/*.idx | sort -k3 -n | tail -5 | sort) | sort -k3 -n

其输出将是：

commit       file name                                  size in bytes

72e1e6d20... db/players.sql 818314
ea20b964a... app/assets/images/background_final2.png 6739212
f8344b9b5... data_test/pg_xlog/000000010000000000000001 1625545
1ecc2395c... data_development/pg_xlog/000000010000000000000001 16777216
bc83d216d... app/assets/images/background_1forfinal.psd 95533848

列表中的最后一个条目指向git历史记录中最大的文件。

您可以使用此输出来确保您不会删除历史记录中需要的BFG内容。

如果您使用的是Windows，则以下是一个PowerShell脚本，它将打印存储库中最大的10个文件：

$revision_objects = git rev-list --objects --all;
$files = $revision_objects.Split() | Where-Object {$_.Length -gt 0 -and $(Test-Path -Path $_ -PathType Leaf) };
$files | Get-Item -Force | select fullname, length | sort -Descending -Property Length | select -First 10

尝试 git ls-files | xargs du -hs --threshold=1M。

我们在CI管道中使用以下命令，如果它在git repo中发现任何大文件，它将停止：

test $(git ls-files | xargs du -hs --threshold=1M 2>/dev/null | tee /dev/stderr | wc -l) -gt 0 && { echo; echo "Aborting due to big files in the git repository."; exit 1; } || true

我无法使用最受欢迎的答案，因为 --batch-check命令行切换到Git 1.8.3（必须使用）不接受任何参数。在带有Bash 4.1.2的CentOS 6.5上尝试了以下步骤

关键概念

在Git中，术语blob表示文件的内容。请注意，提交可能会更改文件或路径名的内容。因此，根据提交，同一文件可以引用不同的Blob。某个文件在一次提交中可能是目录层次结构中最大的文件，而在另一次提交中则不是。因此，查找大型提交而不是大型文件的问题将问题放在了正确的角度。

对于急躁的人

按大小降序打印blob列表的命令是：

git cat-file --batch-check < <(git rev-list --all --objects  | \
awk '{print $1}')  | grep blob  | sort -n -r -k 3

样本输出：

3a51a45e12d4aedcad53d3a0d4cf42079c62958e blob 305971200
7c357f2c2a7b33f939f9b7125b155adbd7890be2 blob 289163620

要删除此类斑点，请使用BFG Repo清洁剂，如其他答案所述。给定一个blobs.txt仅包含斑点哈希的文件，例如：

3a51a45e12d4aedcad53d3a0d4cf42079c62958e
7c357f2c2a7b33f939f9b7125b155adbd7890be2

做：

java -jar bfg.jar -bi blobs.txt <repo_dir>

问题是关于查找提交，这比查找b​​lob还要多。要知道，请继续阅读。

进一步的工作

给定一个提交哈希，打印与之关联的所有对象（包括斑点）的哈希的命令为：

git ls-tree -r --full-tree <commit_hash>

因此，如果我们为仓库中的所有提交提供了这样的输出，那么给定一个blob哈希，那一堆提交就是与任何输出匹配的提交。这个想法编码在以下脚本中：

#!/bin/bash
DB_DIR='trees-db'

find_commit() {
    cd ${DB_DIR}
    for f in *; do
        if grep -q $1 ${f}; then
            echo ${f}
        fi
    done
    cd - > /dev/null
}

create_db() {
    local tfile='/tmp/commits.txt'
    mkdir -p ${DB_DIR} && cd ${DB_DIR}
    git rev-list --all > ${tfile}

    while read commit_hash; do
        if [[ ! -e ${commit_hash} ]]; then
            git ls-tree -r --full-tree ${commit_hash} > ${commit_hash}
        fi
    done < ${tfile}
    cd - > /dev/null
    rm -f ${tfile}
}

create_db

while read id; do
    find_commit ${id};
done

如果内容保存在名为的文件中，find-commits.sh则典型的调用如下：

cat blobs.txt | find-commits.sh

如前所述，该文件blobs.txt列出了斑点哈希，每行列出一个。该create_db()函数将所有提交列表的缓存保存在当前目录的子目录中。

根据我在具有两个Intel®Xeon®CPU E5-2620 2.00GHz处理器的系统上进行的实验得出的一些统计信息，该操作系统由24个虚拟内核提供：

• 回购中的提交总数=接近11,000
• 文件创建速度= 126个文件/秒。该脚本为每个提交创建一个文件。仅在首次创建缓存时才会发生这种情况。
• 缓存创建开销= 87 s。
• 平均搜索速度= 522次提交/秒。缓存优化使运行时间减少了80％。

请注意，脚本是单线程的。因此，任何时候只能使用一个内核。

Windows git的Powershell解决方案，找到最大的文件：

git ls-tree -r -t -l --full-name HEAD | Where-Object {
 $_ -match '(.+)\s+(.+)\s+(.+)\s+(\d+)\s+(.*)'
 } | ForEach-Object {
 New-Object -Type PSObject -Property @{
     'col1'        = $matches[1]
     'col2'      = $matches[2]
     'col3' = $matches[3]
     'Size'      = [int]$matches[4]
     'path'     = $matches[5]
 }
 } | sort -Property Size -Top 10 -Descending

如何跟踪git历史记录中的大文件？

首先分析，验证和选择根本原因。采用git-repo-analysis提供帮助。

您还可以在BFG Repo-Cleaner生成的详细报告中找到一些价值，这些报告可以通过使用其10MiB / s的网络吞吐量克隆到Digital Ocean液滴来快速运行。

我偶然发现它的原因与其他人相同。但是引用的脚本对我来说不太有效。我制作的是我所见过的东西的混合体，它现在位于此处-https://gitlab.com/inorton/git-size-calc