面试官:说说git merge和git rebase的区别

Git面试高频问题深度解析:从merge/rebase到工作流实战 版本控制系统是现代软件开发的基石,它通过记录代码变更历史、支持团队协作来保障项目有序推进。其核心原理在于对文件变更的追踪、分支管理和合并策略。在众多版本控制工具中,Git因其分布式架构和高效的分支模型成为行业标准,其技术价值体现在提升开发效率、保障代码质量和实现持续集成。无论是日常开发、代码审查还是故障排查,熟练掌握Git都是工程师的必备技能。本文聚焦于Git面试中的高频核心问题,例如git merge与git rebase的本质区别及其在团队协作中的应用场景,以及如何通过git reset、git rev 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:网络


分支合并

git merge是用来合并两个分支的。

比如:将 b 分支合并到当前分支。

同样git rebase b,也是把 b 分支合并到当前分支


他们的 「原理」 如下:

假设你现在基于远程分支"origin",创建一个叫"mywork"的分支。

$ git checkout -b mywork origin

假设远程分支"origin"已经有了 2 个提交,如图。

现在我们在这个分支做一些修改,然后生成两个提交(commit)。

$ vi file.txt
$ git commit
$ vi otherfile.txt
$ git commit
...

但是与此同时,有些人也在"origin"分支上做了一些修改并且做了提交了。

这就意味着"origin"和"mywork"这两个分支各自"前进"了,它们之间"分叉"了。

在这里,你可以用"pull"命令把"origin"分支上的修改拉下来并且和你的修改合并;结果看起来就像一个新的"合并的提交"(merge commit):

但是,如果你想让"mywork"分支历史看起来像没有经过任何合并一样,你也许可以用git rebase:

$ git checkout mywork

$ git rebase origin

这些命令会把你的"mywork"分支里的每个提交(commit)取消掉,并且把它们临时 保存为补丁(patch)(这些补丁放到".git/rebase"目录中),然后把"mywork"分支更新 为最新的"origin"分支,最后把保存的这些补丁应用到"mywork"分支上。

当mywork分支更新之后,它会指向这些新创建的提交(commit),而那些老的提交会被丢弃。如果运行垃圾收集命令(pruning garbage collection), 这些被丢弃的提交就会删除。(请查看 git gc)

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

解决冲突

在 rebase 的过程中,也许会出现冲突(conflict)。在这种情况,Git 会停止 rebase 并会让你去解决 冲突;在解决完冲突后,用git-add命令去更新这些内容的索引(index),然后,你无需执行git-commit,只要执行:

$  git rebase --continue

这样 git 会继续应用(apply)余下的补丁。

在任何时候,你可以用--abort参数来终止 rebase 的行动,并且"mywork" 分支会回到 rebase 开始前的状态。

$  git rebase --abort

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

git rebase和git merge的区别

现在我们可以看一下用合并( merge )和用 rebase 所产生的历史的区别:

dc5efd79d83a352cb84f6bc354d88189.jpeg

git rebase和git merge的区别

当我们使用Git log来参看 commit 时,其 commit 的顺序也有所不同。

假设 C3 提交于9:00AM,C5 提交于 10:00AM,C4 提交于 11:00AM,C6 提交于 12:00AM。

对于使用 git merge 来合并所看到的 commit 的顺序(从新到旧)是:C7、C6、C4、C5、C3、C2、C1。

对于使用 git rebase 来合并所看到的 commit 的顺序(从新到旧)是:C7、C6‘、C5'、C4、C3、C2、C1。

因为C6'提交只是 C6 提交的克隆,C5' 提交只是 C5 提交的克隆。

从用户的角度看使用 git rebase 来合并后所看到的commit的顺序(从新到旧)是:C7、C6、C5、C4、C3、C2、C1。



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

ca2b46caa592454bfe772612c42f86a9.png

已在知识星球更新源码解析如下:

e34195b256ef01195b726d852e8832f3.jpeg

7ac88a147d11577d937744a235341b5f.jpeg

276db6c103c5d287bd611015d0208db2.jpeg

6cc1cf01e2307b4dcb66a0db68f7b478.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
第99篇 Git进阶——rebase/cherry-pick/stash的实战场景 本文介绍了Git的三个进阶操作:stash、rebase和cherry-pick,并给出实际应用场景。git stash用于临时保存未完成的工作;git rebase可以整理提交历史,保持线性清晰;git cherry-pick则能精准选取特定提交。文章通过机器人开发中的典型场景,展示了这些命令的组合使用方式,并强调rebase不要用于公共分支等注意事项。最后建议通过实践掌握这些技巧,理解不同场景下的最佳选择。 阅读详情

相关推荐

比亚迪璇玑架构:10ms级响应引领智能驾驶革命

比亚迪璇玑架构通过三大创新,实现10ms级控制响应时延,使AEB刹车距离比竞品缩短20米。

百态·数智思维 | 聚焦大数据、量化与未来AI 1257

面试官问:git rebase 和 merge 的区别

git rebase 与 git merge 解决了相同的问题。都是将一个分支的提交合并到另一分支上,那它们有哪些不同喃?git mergemaster 分支合入到 feature 分支g...

我本可以容忍阳光,如果我不曾见过太阳,然而阳光已使我荒凉,成为更新的荒凉。 607

Coze工作流实战:Coze一键生成沉浸式历史故事视频

【coze工作流实战】一键生成火爆的沉浸式历史故事视频!短短3分钟,顶替你3天的工作量!

bickys的博客 1004

面试官:谈谈 git merge 和 git rebase 的区别与适用场景

这两个命令都能最终实现代码的合并,但它们实现的方式和背后的“哲学”却截然不同。选择哪一个,不仅是个人习惯问题,更体现了团队的协作规范和对版本历史的理解。会将两个分支的最新提交,以及它们的共同祖先,进行一次“三方合并”,然后生成一个全新的、特殊的**“合并提交 (Merge Commit)”**。它会找到两个分支的共同祖先,然后将你所在分支上新增的提交,这样,既保证了个人开发历史的线性简洁,又保证了团队公共历史的真实可追溯。不是“你死我活”的敌人,而是在不同场景下使用的不同工具。

郑龙飞 1129

【Apollo规划模块探秘】—— 场景(Scenario)驱动的决策引擎

本文深入解析了Apollo自动驾驶平台规划模块的核心机制——场景(Scenario)驱动的决策引擎。文章通过类比日常驾驶,阐述了规划模块如何像经验丰富的司机一样,根据不同的路况(如车道跟随、无保护左转)切换不同的“驾驶模式”。重点剖析了场景管理器(ScenarioManager)如何基于感知信息进行场景判断与切换,以及“场景-阶段-任务”双层状态机如何精密协作,实现灵活、高效且安全的轨迹规划。

rnn9storyteller的博客 279

STM32CubeIDE中文注释变乱码终极解决方案:3步设置永久解决锟斤拷问题!

你是否在STM32CubeIDE中遇到过这样的崩溃场景?——精心编写的中文注释在重新生成代码后变成“锟斤拷”乱码,不仅影响代码可读性,反复修改更是浪费大量时间!作为STM32开发者,我曾被这个问题困扰许久,试过修改软件设置、工程编码却始终治标不治本。直到发现这个基于Java环境变量的终极解决方案,才彻底解决了中文乱码难题。

smart_boy__的博客 2992

面试官:说说你对git rebase 和 git merge的理解?区别?

一、是什么在使用 git 进行版本管理的项目中,当完成一个特性的开发并将其合并到 master 分支时,会有两种方式:git mergegit rebasegit rebase 与 git...

weixin_44475093的博客 588

HyperLynx(二十二)DDR(五)DDRx总线时序模型设计

DDR3 的数据选通信号与时钟信号的频率是一样的,在数据选通信号写操作时,控制器典型的输出方式是数据选通信号边沿与时钟近似对齐。该界面中显示了所有需要编辑的参数,包括地址/命令信号的时序、控制信号的时序、读和写操作的数据选通和数据信号时序、写操作的数据选通和数据掩码信号时序,以及建立和保持时间的降额参数。由于DDRx总线对时序的要求非常严格,随着速率的提升,时序的要求会更高。反之也是一样的,如果数据选通信号的上升沿在时钟信号上升沿的后面到达 DRAM,那么数据选通信号的下降沿就会在时钟信号的前面到达。

小幽余生不加糖 1938

55道Git面试八股文(答案、分析和深入提问)整理

HEAD是指向当前分支或特定提交的指针。工作树是你本地文件系统中实际的文件和目录,反映了当前分支的内容。索引是个中间区域,用于跟踪即将提交的更改。整合这三个概念,可以说,在你修改文件(工作树)后,必须将这些更改添加到索引中,然后再提交(HEAD 所指向的)到版本库中。使用merge时,你得到了完整的历史和上下文,但可能带来复杂的提交记录。使用rebase可以生成干净的提交历史,但可能会导致上下文的丢失,并且在冲突处理上更麻烦。选择合适的命令视项目需求和团队工作流程而定。

ocean2103的专栏 2287

Python-编写点云处理软件(二)点云软件ui制作之仿CC界面

至本篇结束,我们已经能够获得一个有点模子的界面了,但是具体的功能还没有编写,后续的文章将逐渐完善功能。

weixin_43894929的博客 3954

从4A架构的角度出来 帮我分析一下:数字化转型深水区:企业架构如何成为价值重构的核心引擎?

4A 架构的本质是构建企业的数字神经系统,通过业务感知、数据传输、决策执行、技术支撑的闭环,实现从效率提升到生态重构的质变。正如华为通过该架构实现全球研发资源统一调度,某零售集团借此打造线上线下融合的新零售体系,当业务、数据、应用、技术四个维度形成共振时,企业将获得持续进化的数字免疫力,在不确定的市场环境中保持韧性生长。这一过程不仅需要技术工具的升级,更依赖组织文化的变革 —— 从 “部门墙” 到 “能力网” 的转型,才是数字化转型深水区的终极挑战。

金牌架构师 1049

Git 分支整合策略:Merge 与 Rebase

一、merge。

m0_49384824的博客 676

通过WorkVisual连接KUKA机器人的具体方法

通过WorkVisual连接KUKA机器人的具体方法

Robot_PLC_HMI_Automation 6850

面试官:合并代码用 merge 还是用 rebase ? 两者的区别是什么?

戳下方名片,关注并星标!回复“1024”获取2TB学习资源!????体系化学习:运维工程师打怪升级进阶之路 4.0— 特色专栏—MySQL/PostgreSQL/MongoDBElasticSearch/Hadoop/RedisKubernetes/Docker/DevOpsKafka/RabbitMQ/Zookeeper监控平台/应用与服务/集群管理N...

民工哥的博客 290

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Git核心操作解析:merge、rebase与cherry-pick实战指南

版本控制系统是软件开发中管理代码变更的基础工具,其中Git作为分布式版本控制的代表,通过工作区、暂存区和仓库的三层架构实现高效协作。理解pull与fetch的差异、merge与rebase的原理,是处理代码合并冲突的关键技术。在团队开发场景中,squash能优化提交历史,cherry-pick可精准移植特定修改,这些操作直接影响代码库的整洁度和可维护性。本文基于高频Git面试题,深入解析这些核心命令的底层逻辑,特别针对rebase的黄金使用法则和merge后的安全回退方案提供工程实践指导,帮助开发者掌握版本

weixin_30832405的博客 334

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

合并代码还在用git merge吗?我们都用git rebase!

欢迎关注方志朋的博客,回复”666“获面试宝典git merge 和 git rebase的区别目的都是将一个分支的 commit 合并到到另外一个分支中去。git merge在gitla...

方志朋的博客 197

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Git面试高频操作解析:从pull到rebase实战技巧

版本控制系统是软件开发的核心基础设施,Git作为分布式架构的行业标准,其分支管理策略直接影响团队协作效率。理解fetch/pull的底层差异、掌握merge/rebase的适用场景,是保证代码历史清晰可追溯的关键技术能力。在持续集成环境中,squash提交和cherry-pick操作能精准控制代码变更流向,特别适合需要保持主分支整洁的GitFlow工作流。通过配置alias优化常用命令,配合GitLens等可视化工具,可显著提升日常开发与代码审查效率。

weixin_30730053的博客 361

Git 核心操作:rebase 与 merge 的区别,以及分支管理最佳实践

Git分支管理核心摘要 本文深入解析Git中rebase与merge的核心区别及最佳实践。merge保留完整分支历史,产生合并提交;rebase重写提交历史,形成线性链。merge适用于公共分支合并,rebase适合本地分支整理。文章对比了两者的优缺点,并详细介绍了Git Flow、GitHub Flow等主流分支管理模型。最佳实践包括:保护主分支、定期清理分支、合理使用rebase同步代码。同时提供了常见面试问题的解答,如处理rebase冲突、避免无意义merge commit等。最后强调rebase黄金

无论云泥意贯一 749

dsh-purge 完整指南:四步破甲 DeepSeek Harness,三问验收「小码酱」接管

换模型那一刻,人设、开场白、拒绝话术全跟着变——模型明明干得了,回答却像套了模板。原因常在宿主层:官方 DeepSeek Harness 会在运行时重写提示词、加审批门、管会话格式。**dsh-purge** 是装在你本机官方 Harness 上的开源插件,把宿主层包装洗掉,换上「小码酱」(Little Code Sauce)这套破甲提示词,让每个模型各用一套自己的规则集。 ## 📋 验收先行

gitblog_07272的博客 496

Git 常用命令汇总

Git 是目前最主流的分布式版本控制工具,但很多开发者只会使用常见命令,却不了解背后的工作原理。本文从 Git 三区模型、对象模型入手,系统讲解仓库管理、分支开发、Merge、Rebase、Cherry-pick、Stash、Reflog、Reset 等核心命令,并结合实际开发场景分析冲突解决、历史回退、代码同步及团队协作流程。同时总结 Git 常见危险操作与避坑指南,帮助开发者建立完整的 Git 知识体系,提升日常开发效率和问题排查能力

帅次的博客 2803

Git 八股不靠死记:跟着逆境救回一次“消失的代码”

Git 核心概念与常见问题解析 本文通过开发者小周的故事,系统讲解了 Git 的核心概念和常见问题。主要内容包括: Git 四层结构:工作区、暂存区、本地仓库和远程仓库的关系与流转路径。 基础概念解析: Git 与 SVN 的核心区别(分布式 vs 集中式) 提交对象包含的内容及哈希计算方式 Git 的四种核心对象(Blob/Tree/Commit/Tag) HEAD 和分支的本质(移动的引用指针) 常见问题解答: git add 与 git commit 的实际作用 git fetch 和 git pul

2401_87662859的博客 1095

Git总结 | Git面试都问些啥?

Git 垃圾收集器(Garbage Collector)是一个负责清理不再被引用的 Git 对象的机制。在 Git 中,所有的数据都被存储为对象,包括提交(commits)、树对象(trees)、标签(tags)等。有时候,由于分支切换、分支删除等操作,一些对象可能变得不再可达,但仍然占用着存储空间Git 垃圾收集器的作用是定期运行,查找那些不再被引用的对象,并将其从 Git 数据库中删除,以释放存储空间。垃圾收集器有助于保持 Git 仓库的健康状态,防止不必要的存储空间占用。

啥都生的博客 1449

Git 面试题 30 问:从基础到高级,面试官都问这些

参考答案bash# 创建分支git branch feature-login # 创建git checkout -b feature-login # 创建并切换# 切换分支git switch main # Git 2.23+ 推荐# 查看分支git branch # 本地分支git branch -a # 所有分支深度解析Git 分支本质上是一个指向某个提交的可移动指针。默认分支是main(或master创建新分支就是创建一个新指针,指向当前提交。Head 指针指向当前工作分支。

qq_38400187的博客 650

Git版本控制面试问题front-end-interview-questions:协作开发必备的Git技巧

前端开发者面试中,Git版本控制技能是不可或缺的核心能力。在front-end-interview-questions项目中,Git相关问题被专门列出,这反映了在现代前端开发中版本控制的重要性。无论是个人项目还是团队协作,掌握Git技巧都能显著提升开发效率和代码质量。 ## 🔧 Git基础概念面试问题 ### 1. Git与其他版本控制系统的区别 Git作为分布式版本控制系统,与SVN等集中

gitblog_00735的博客 382
上一篇: 一款开源、免费、小众的任务日程管理神器
下一篇: 阿里:MySQL 单表数据最大不要超过多少行?为什么?
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值