Autogenerated HTML docs for v2.42.0-45-g6807fc
[git-htmldocs.git] / gitformat-pack.txt
blob0c1be2dbe85caf3300a314c374dd12d54b7434a7
1 gitformat-pack(5)
2 =================
4 NAME
5 ----
6 gitformat-pack - Git pack format
9 SYNOPSIS
10 --------
11 [verse]
12 $GIT_DIR/objects/pack/pack-*.{pack,idx}
13 $GIT_DIR/objects/pack/pack-*.rev
14 $GIT_DIR/objects/pack/pack-*.mtimes
15 $GIT_DIR/objects/pack/multi-pack-index
17 DESCRIPTION
18 -----------
20 The Git pack format is now Git stores most of its primary repository
21 data. Over the lietime af a repository loose objects (if any) and
22 smaller packs are consolidated into larger pack(s). See
23 linkgit:git-gc[1] and linkgit:git-pack-objects[1].
25 The pack format is also used over-the-wire, see
26 e.g. linkgit:gitprotocol-v2[5], as well as being a part of
27 other container formats in the case of linkgit:gitformat-bundle[5].
29 == Checksums and object IDs
31 In a repository using the traditional SHA-1, pack checksums, index checksums,
32 and object IDs (object names) mentioned below are all computed using SHA-1.
33 Similarly, in SHA-256 repositories, these values are computed using SHA-256.
35 == pack-*.pack files have the following format:
37    - A header appears at the beginning and consists of the following:
39      4-byte signature:
40          The signature is: {'P', 'A', 'C', 'K'}
42      4-byte version number (network byte order):
43          Git currently accepts version number 2 or 3 but
44          generates version 2 only.
46      4-byte number of objects contained in the pack (network byte order)
48      Observation: we cannot have more than 4G versions ;-) and
49      more than 4G objects in a pack.
51    - The header is followed by number of object entries, each of
52      which looks like this:
54      (undeltified representation)
55      n-byte type and length (3-bit type, (n-1)*7+4-bit length)
56      compressed data
58      (deltified representation)
59      n-byte type and length (3-bit type, (n-1)*7+4-bit length)
60      base object name if OBJ_REF_DELTA or a negative relative
61          offset from the delta object's position in the pack if this
62          is an OBJ_OFS_DELTA object
63      compressed delta data
65      Observation: length of each object is encoded in a variable
66      length format and is not constrained to 32-bit or anything.
68   - The trailer records a pack checksum of all of the above.
70 === Object types
72 Valid object types are:
74 - OBJ_COMMIT (1)
75 - OBJ_TREE (2)
76 - OBJ_BLOB (3)
77 - OBJ_TAG (4)
78 - OBJ_OFS_DELTA (6)
79 - OBJ_REF_DELTA (7)
81 Type 5 is reserved for future expansion. Type 0 is invalid.
83 === Size encoding
85 This document uses the following "size encoding" of non-negative
86 integers: From each byte, the seven least significant bits are
87 used to form the resulting integer. As long as the most significant
88 bit is 1, this process continues; the byte with MSB 0 provides the
89 last seven bits.  The seven-bit chunks are concatenated. Later
90 values are more significant.
92 This size encoding should not be confused with the "offset encoding",
93 which is also used in this document.
95 === Deltified representation
97 Conceptually there are only four object types: commit, tree, tag and
98 blob. However to save space, an object could be stored as a "delta" of
99 another "base" object. These representations are assigned new types
100 ofs-delta and ref-delta, which is only valid in a pack file.
102 Both ofs-delta and ref-delta store the "delta" to be applied to
103 another object (called 'base object') to reconstruct the object. The
104 difference between them is, ref-delta directly encodes base object
105 name. If the base object is in the same pack, ofs-delta encodes
106 the offset of the base object in the pack instead.
108 The base object could also be deltified if it's in the same pack.
109 Ref-delta can also refer to an object outside the pack (i.e. the
110 so-called "thin pack"). When stored on disk however, the pack should
111 be self contained to avoid cyclic dependency.
113 The delta data starts with the size of the base object and the
114 size of the object to be reconstructed. These sizes are
115 encoded using the size encoding from above.  The remainder of
116 the delta data is a sequence of instructions to reconstruct the object
117 from the base object. If the base object is deltified, it must be
118 converted to canonical form first. Each instruction appends more and
119 more data to the target object until it's complete. There are two
120 supported instructions so far: one for copy a byte range from the
121 source object and one for inserting new data embedded in the
122 instruction itself.
124 Each instruction has variable length. Instruction type is determined
125 by the seventh bit of the first octet. The following diagrams follow
126 the convention in RFC 1951 (Deflate compressed data format).
128 ==== Instruction to copy from base object
130   +----------+---------+---------+---------+---------+-------+-------+-------+
131   | 1xxxxxxx | offset1 | offset2 | offset3 | offset4 | size1 | size2 | size3 |
132   +----------+---------+---------+---------+---------+-------+-------+-------+
134 This is the instruction format to copy a byte range from the source
135 object. It encodes the offset to copy from and the number of bytes to
136 copy. Offset and size are in little-endian order.
138 All offset and size bytes are optional. This is to reduce the
139 instruction size when encoding small offsets or sizes. The first seven
140 bits in the first octet determines which of the next seven octets is
141 present. If bit zero is set, offset1 is present. If bit one is set
142 offset2 is present and so on.
144 Note that a more compact instruction does not change offset and size
145 encoding. For example, if only offset2 is omitted like below, offset3
146 still contains bits 16-23. It does not become offset2 and contains
147 bits 8-15 even if it's right next to offset1.
149   +----------+---------+---------+
150   | 10000101 | offset1 | offset3 |
151   +----------+---------+---------+
153 In its most compact form, this instruction only takes up one byte
154 (0x80) with both offset and size omitted, which will have default
155 values zero. There is another exception: size zero is automatically
156 converted to 0x10000.
158 ==== Instruction to add new data
160   +----------+============+
161   | 0xxxxxxx |    data    |
162   +----------+============+
164 This is the instruction to construct target object without the base
165 object. The following data is appended to the target object. The first
166 seven bits of the first octet determines the size of data in
167 bytes. The size must be non-zero.
169 ==== Reserved instruction
171   +----------+============
172   | 00000000 |
173   +----------+============
175 This is the instruction reserved for future expansion.
177 == Original (version 1) pack-*.idx files have the following format:
179   - The header consists of 256 4-byte network byte order
180     integers.  N-th entry of this table records the number of
181     objects in the corresponding pack, the first byte of whose
182     object name is less than or equal to N.  This is called the
183     'first-level fan-out' table.
185   - The header is followed by sorted 24-byte entries, one entry
186     per object in the pack.  Each entry is:
188     4-byte network byte order integer, recording where the
189     object is stored in the packfile as the offset from the
190     beginning.
192     one object name of the appropriate size.
194   - The file is concluded with a trailer:
196     A copy of the pack checksum at the end of the corresponding
197     packfile.
199     Index checksum of all of the above.
201 Pack Idx file:
203         --  +--------------------------------+
204 fanout      | fanout[0] = 2 (for example)    |-.
205 table       +--------------------------------+ |
206             | fanout[1]                      | |
207             +--------------------------------+ |
208             | fanout[2]                      | |
209             ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ |
210             | fanout[255] = total objects    |---.
211         --  +--------------------------------+ | |
212 main        | offset                         | | |
213 index       | object name 00XXXXXXXXXXXXXXXX | | |
214 table       +--------------------------------+ | |
215             | offset                         | | |
216             | object name 00XXXXXXXXXXXXXXXX | | |
217             +--------------------------------+<+ |
218           .-| offset                         |   |
219           | | object name 01XXXXXXXXXXXXXXXX |   |
220           | +--------------------------------+   |
221           | | offset                         |   |
222           | | object name 01XXXXXXXXXXXXXXXX |   |
223           | ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~   |
224           | | offset                         |   |
225           | | object name FFXXXXXXXXXXXXXXXX |   |
226         --| +--------------------------------+<--+
227 trailer   | | packfile checksum              |
228           | +--------------------------------+
229           | | idxfile checksum               |
230           | +--------------------------------+
231           .-------.
232                   |
233 Pack file entry: <+
235      packed object header:
236         1-byte size extension bit (MSB)
237                type (next 3 bit)
238                size0 (lower 4-bit)
239         n-byte sizeN (as long as MSB is set, each 7-bit)
240                 size0..sizeN form 4+7+7+..+7 bit integer, size0
241                 is the least significant part, and sizeN is the
242                 most significant part.
243      packed object data:
244         If it is not DELTA, then deflated bytes (the size above
245                 is the size before compression).
246         If it is REF_DELTA, then
247           base object name (the size above is the
248                 size of the delta data that follows).
249           delta data, deflated.
250         If it is OFS_DELTA, then
251           n-byte offset (see below) interpreted as a negative
252                 offset from the type-byte of the header of the
253                 ofs-delta entry (the size above is the size of
254                 the delta data that follows).
255           delta data, deflated.
257      offset encoding:
258           n bytes with MSB set in all but the last one.
259           The offset is then the number constructed by
260           concatenating the lower 7 bit of each byte, and
261           for n >= 2 adding 2^7 + 2^14 + ... + 2^(7*(n-1))
262           to the result.
266 == Version 2 pack-*.idx files support packs larger than 4 GiB, and
267    have some other reorganizations.  They have the format:
269   - A 4-byte magic number '\377tOc' which is an unreasonable
270     fanout[0] value.
272   - A 4-byte version number (= 2)
274   - A 256-entry fan-out table just like v1.
276   - A table of sorted object names.  These are packed together
277     without offset values to reduce the cache footprint of the
278     binary search for a specific object name.
280   - A table of 4-byte CRC32 values of the packed object data.
281     This is new in v2 so compressed data can be copied directly
282     from pack to pack during repacking without undetected
283     data corruption.
285   - A table of 4-byte offset values (in network byte order).
286     These are usually 31-bit pack file offsets, but large
287     offsets are encoded as an index into the next table with
288     the msbit set.
290   - A table of 8-byte offset entries (empty for pack files less
291     than 2 GiB).  Pack files are organized with heavily used
292     objects toward the front, so most object references should
293     not need to refer to this table.
295   - The same trailer as a v1 pack file:
297     A copy of the pack checksum at the end of
298     corresponding packfile.
300     Index checksum of all of the above.
302 == pack-*.rev files have the format:
304   - A 4-byte magic number '0x52494458' ('RIDX').
306   - A 4-byte version identifier (= 1).
308   - A 4-byte hash function identifier (= 1 for SHA-1, 2 for SHA-256).
310   - A table of index positions (one per packed object, num_objects in
311     total, each a 4-byte unsigned integer in network order), sorted by
312     their corresponding offsets in the packfile.
314   - A trailer, containing a:
316     checksum of the corresponding packfile, and
318     a checksum of all of the above.
320 All 4-byte numbers are in network order.
322 == pack-*.mtimes files have the format:
324 All 4-byte numbers are in network byte order.
326   - A 4-byte magic number '0x4d544d45' ('MTME').
328   - A 4-byte version identifier (= 1).
330   - A 4-byte hash function identifier (= 1 for SHA-1, 2 for SHA-256).
332   - A table of 4-byte unsigned integers. The ith value is the
333     modification time (mtime) of the ith object in the corresponding
334     pack by lexicographic (index) order. The mtimes count standard
335     epoch seconds.
337   - A trailer, containing a checksum of the corresponding packfile,
338     and a checksum of all of the above (each having length according
339     to the specified hash function).
341 == multi-pack-index (MIDX) files have the following format:
343 The multi-pack-index files refer to multiple pack-files and loose objects.
345 In order to allow extensions that add extra data to the MIDX, we organize
346 the body into "chunks" and provide a lookup table at the beginning of the
347 body. The header includes certain length values, such as the number of packs,
348 the number of base MIDX files, hash lengths and types.
350 All 4-byte numbers are in network order.
352 HEADER:
354         4-byte signature:
355             The signature is: {'M', 'I', 'D', 'X'}
357         1-byte version number:
358             Git only writes or recognizes version 1.
360         1-byte Object Id Version
361             We infer the length of object IDs (OIDs) from this value:
362                 1 => SHA-1
363                 2 => SHA-256
364             If the hash type does not match the repository's hash algorithm,
365             the multi-pack-index file should be ignored with a warning
366             presented to the user.
368         1-byte number of "chunks"
370         1-byte number of base multi-pack-index files:
371             This value is currently always zero.
373         4-byte number of pack files
375 CHUNK LOOKUP:
377         (C + 1) * 12 bytes providing the chunk offsets:
378             First 4 bytes describe chunk id. Value 0 is a terminating label.
379             Other 8 bytes provide offset in current file for chunk to start.
380             (Chunks are provided in file-order, so you can infer the length
381             using the next chunk position if necessary.)
383         The CHUNK LOOKUP matches the table of contents from
384         the chunk-based file format, see linkgit:gitformat-chunk[5].
386         The remaining data in the body is described one chunk at a time, and
387         these chunks may be given in any order. Chunks are required unless
388         otherwise specified.
390 CHUNK DATA:
392         Packfile Names (ID: {'P', 'N', 'A', 'M'})
393             Stores the packfile names as concatenated, null-terminated strings.
394             Packfiles must be listed in lexicographic order for fast lookups by
395             name. This is the only chunk not guaranteed to be a multiple of four
396             bytes in length, so should be the last chunk for alignment reasons.
398         OID Fanout (ID: {'O', 'I', 'D', 'F'})
399             The ith entry, F[i], stores the number of OIDs with first
400             byte at most i. Thus F[255] stores the total
401             number of objects.
403         OID Lookup (ID: {'O', 'I', 'D', 'L'})
404             The OIDs for all objects in the MIDX are stored in lexicographic
405             order in this chunk.
407         Object Offsets (ID: {'O', 'O', 'F', 'F'})
408             Stores two 4-byte values for every object.
409             1: The pack-int-id for the pack storing this object.
410             2: The offset within the pack.
411                 If all offsets are less than 2^32, then the large offset chunk
412                 will not exist and offsets are stored as in IDX v1.
413                 If there is at least one offset value larger than 2^32-1, then
414                 the large offset chunk must exist, and offsets larger than
415                 2^31-1 must be stored in it instead. If the large offset chunk
416                 exists and the 31st bit is on, then removing that bit reveals
417                 the row in the large offsets containing the 8-byte offset of
418                 this object.
420         [Optional] Object Large Offsets (ID: {'L', 'O', 'F', 'F'})
421             8-byte offsets into large packfiles.
423         [Optional] Bitmap pack order (ID: {'R', 'I', 'D', 'X'})
424             A list of MIDX positions (one per object in the MIDX, num_objects in
425             total, each a 4-byte unsigned integer in network byte order), sorted
426             according to their relative bitmap/pseudo-pack positions.
428 TRAILER:
430         Index checksum of the above contents.
432 == multi-pack-index reverse indexes
434 Similar to the pack-based reverse index, the multi-pack index can also
435 be used to generate a reverse index.
437 Instead of mapping between offset, pack-, and index position, this
438 reverse index maps between an object's position within the MIDX, and
439 that object's position within a pseudo-pack that the MIDX describes
440 (i.e., the ith entry of the multi-pack reverse index holds the MIDX
441 position of ith object in pseudo-pack order).
443 To clarify the difference between these orderings, consider a multi-pack
444 reachability bitmap (which does not yet exist, but is what we are
445 building towards here). Each bit needs to correspond to an object in the
446 MIDX, and so we need an efficient mapping from bit position to MIDX
447 position.
449 One solution is to let bits occupy the same position in the oid-sorted
450 index stored by the MIDX. But because oids are effectively random, their
451 resulting reachability bitmaps would have no locality, and thus compress
452 poorly. (This is the reason that single-pack bitmaps use the pack
453 ordering, and not the .idx ordering, for the same purpose.)
455 So we'd like to define an ordering for the whole MIDX based around
456 pack ordering, which has far better locality (and thus compresses more
457 efficiently). We can think of a pseudo-pack created by the concatenation
458 of all of the packs in the MIDX. E.g., if we had a MIDX with three packs
459 (a, b, c), with 10, 15, and 20 objects respectively, we can imagine an
460 ordering of the objects like:
462     |a,0|a,1|...|a,9|b,0|b,1|...|b,14|c,0|c,1|...|c,19|
464 where the ordering of the packs is defined by the MIDX's pack list,
465 and then the ordering of objects within each pack is the same as the
466 order in the actual packfile.
468 Given the list of packs and their counts of objects, you can
469 naïvely reconstruct that pseudo-pack ordering (e.g., the object at
470 position 27 must be (c,1) because packs "a" and "b" consumed 25 of the
471 slots). But there's a catch. Objects may be duplicated between packs, in
472 which case the MIDX only stores one pointer to the object (and thus we'd
473 want only one slot in the bitmap).
475 Callers could handle duplicates themselves by reading objects in order
476 of their bit-position, but that's linear in the number of objects, and
477 much too expensive for ordinary bitmap lookups. Building a reverse index
478 solves this, since it is the logical inverse of the index, and that
479 index has already removed duplicates. But, building a reverse index on
480 the fly can be expensive. Since we already have an on-disk format for
481 pack-based reverse indexes, let's reuse it for the MIDX's pseudo-pack,
482 too.
484 Objects from the MIDX are ordered as follows to string together the
485 pseudo-pack. Let `pack(o)` return the pack from which `o` was selected
486 by the MIDX, and define an ordering of packs based on their numeric ID
487 (as stored by the MIDX). Let `offset(o)` return the object offset of `o`
488 within `pack(o)`. Then, compare `o1` and `o2` as follows:
490   - If one of `pack(o1)` and `pack(o2)` is preferred and the other
491     is not, then the preferred one sorts first.
493 (This is a detail that allows the MIDX bitmap to determine which
494 pack should be used by the pack-reuse mechanism, since it can ask
495 the MIDX for the pack containing the object at bit position 0).
497   - If `pack(o1) ≠ pack(o2)`, then sort the two objects in descending
498     order based on the pack ID.
500   - Otherwise, `pack(o1) = pack(o2)`, and the objects are sorted in
501     pack-order (i.e., `o1` sorts ahead of `o2` exactly when `offset(o1)
502     < offset(o2)`).
504 In short, a MIDX's pseudo-pack is the de-duplicated concatenation of
505 objects in packs stored by the MIDX, laid out in pack order, and the
506 packs arranged in MIDX order (with the preferred pack coming first).
508 The MIDX's reverse index is stored in the optional 'RIDX' chunk within
509 the MIDX itself.
511 == cruft packs
513 The cruft packs feature offer an alternative to Git's traditional mechanism of
514 removing unreachable objects. This document provides an overview of Git's
515 pruning mechanism, and how a cruft pack can be used instead to accomplish the
516 same.
518 === Background
520 To remove unreachable objects from your repository, Git offers `git repack -Ad`
521 (see linkgit:git-repack[1]). Quoting from the documentation:
523 ----
524 [...] unreachable objects in a previous pack become loose, unpacked objects,
525 instead of being left in the old pack. [...] loose unreachable objects will be
526 pruned according to normal expiry rules with the next 'git gc' invocation.
527 ----
529 Unreachable objects aren't removed immediately, since doing so could race with
530 an incoming push which may reference an object which is about to be deleted.
531 Instead, those unreachable objects are stored as loose objects and stay that way
532 until they are older than the expiration window, at which point they are removed
533 by linkgit:git-prune[1].
535 Git must store these unreachable objects loose in order to keep track of their
536 per-object mtimes. If these unreachable objects were written into one big pack,
537 then either freshening that pack (because an object contained within it was
538 re-written) or creating a new pack of unreachable objects would cause the pack's
539 mtime to get updated, and the objects within it would never leave the expiration
540 window. Instead, objects are stored loose in order to keep track of the
541 individual object mtimes and avoid a situation where all cruft objects are
542 freshened at once.
544 This can lead to undesirable situations when a repository contains many
545 unreachable objects which have not yet left the grace period. Having large
546 directories in the shards of `.git/objects` can lead to decreased performance in
547 the repository. But given enough unreachable objects, this can lead to inode
548 starvation and degrade the performance of the whole system. Since we
549 can never pack those objects, these repositories often take up a large amount of
550 disk space, since we can only zlib compress them, but not store them in delta
551 chains.
553 === Cruft packs
555 A cruft pack eliminates the need for storing unreachable objects in a loose
556 state by including the per-object mtimes in a separate file alongside a single
557 pack containing all loose objects.
559 A cruft pack is written by `git repack --cruft` when generating a new pack.
560 linkgit:git-pack-objects[1]'s `--cruft` option. Note that `git repack --cruft`
561 is a classic all-into-one repack, meaning that everything in the resulting pack is
562 reachable, and everything else is unreachable. Once written, the `--cruft`
563 option instructs `git repack` to generate another pack containing only objects
564 not packed in the previous step (which equates to packing all unreachable
565 objects together). This progresses as follows:
567   1. Enumerate every object, marking any object which is (a) not contained in a
568      kept-pack, and (b) whose mtime is within the grace period as a traversal
569      tip.
571   2. Perform a reachability traversal based on the tips gathered in the previous
572      step, adding every object along the way to the pack.
574   3. Write the pack out, along with a `.mtimes` file that records the per-object
575      timestamps.
577 This mode is invoked internally by linkgit:git-repack[1] when instructed to
578 write a cruft pack. Crucially, the set of in-core kept packs is exactly the set
579 of packs which will not be deleted by the repack; in other words, they contain
580 all of the repository's reachable objects.
582 When a repository already has a cruft pack, `git repack --cruft` typically only
583 adds objects to it. An exception to this is when `git repack` is given the
584 `--cruft-expiration` option, which allows the generated cruft pack to omit
585 expired objects instead of waiting for linkgit:git-gc[1] to expire those objects
586 later on.
588 It is linkgit:git-gc[1] that is typically responsible for removing expired
589 unreachable objects.
591 === Caution for mixed-version environments
593 Repositories that have cruft packs in them will continue to work with any older
594 version of Git. Note, however, that previous versions of Git which do not
595 understand the `.mtimes` file will use the cruft pack's mtime as the mtime for
596 all of the objects in it. In other words, do not expect older (pre-cruft pack)
597 versions of Git to interpret or even read the contents of the `.mtimes` file.
599 Note that having mixed versions of Git GC-ing the same repository can lead to
600 unreachable objects never being completely pruned. This can happen under the
601 following circumstances:
603   - An older version of Git running GC explodes the contents of an existing
604     cruft pack loose, using the cruft pack's mtime.
605   - A newer version running GC collects those loose objects into a cruft pack,
606     where the .mtime file reflects the loose object's actual mtimes, but the
607     cruft pack mtime is "now".
609 Repeating this process will lead to unreachable objects not getting pruned as a
610 result of repeatedly resetting the objects' mtimes to the present time.
612 If you are GC-ing repositories in a mixed version environment, consider omitting
613 the `--cruft` option when using linkgit:git-repack[1] and linkgit:git-gc[1], and
614 setting the `gc.cruftPacks` configuration to "false" until all writers
615 understand cruft packs.
617 === Alternatives
619 Notable alternatives to this design include:
621   - The location of the per-object mtime data, and
622   - Storing unreachable objects in multiple cruft packs.
624 On the location of mtime data, a new auxiliary file tied to the pack was chosen
625 to avoid complicating the `.idx` format. If the `.idx` format were ever to gain
626 support for optional chunks of data, it may make sense to consolidate the
627 `.mtimes` format into the `.idx` itself.
629 Storing unreachable objects among multiple cruft packs (e.g., creating a new
630 cruft pack during each repacking operation including only unreachable objects
631 which aren't already stored in an earlier cruft pack) is significantly more
632 complicated to construct, and so aren't pursued here. The obvious drawback to
633 the current implementation is that the entire cruft pack must be re-written from
634 scratch.
638 Part of the linkgit:git[1] suite