软件仓库是受管理的软件相关资料集合,并配有用于存储、标识和检索这些资料的机制。根据具体语境,仓库可以包含源代码及其开发历史、可安装的软件包,或自动化构建系统生成的输出。仓库可以位于开发者的计算机、组织的内部基础设施或可公开访问的服务器上。仓库的核心特征不只是保存文件,而是按照有关标识、版本、访问和分发的规则来组织文件。
主要含义
在软件工程中,仓库一词有几种相互关联但又有所区别的含义。这些含义在实践中有所重叠,但相关系统的用途各不相同。
| 仓库类型 | 典型内容 | 主要用途 |
|---|---|---|
| 源代码仓库 | 源文件、变更历史、分支、标签 | 协调开发并跟踪变更 |
| 软件包仓库 | 可安装的软件包、版本信息、依赖元数据 | 向软件包管理工具分发软件 |
| 制品仓库 | 已编译的库、归档文件、容器镜像及其他构建输出 | 存储和分发软件构建产物 |
一个项目可以同时使用这三类仓库。开发者可以在源代码仓库中维护代码,将代码构建为制品,再把选定的制品发布到软件包仓库。
源代码仓库
源代码仓库通过版本控制系统记录文件及其演变过程。其内容通常包括程序、配置文件、测试、软件文档和构建说明。
在 Git(版本控制系统)中,仓库包含对象数据库,以及用于标识提交和其他对象的引用。一次提交会记录项目的某个状态,以及将该状态与其历史关联起来的信息。分支为开发线提供可移动的引用,而标签则用于标识特定的历史节点或对象,通常与发布版本相关联。
仓库不等同于工作目录。工作目录包含正在查看或编辑的文件;仓库则存储版本控制信息。常用于共享的裸 Git 仓库没有检出的工作目录。
仓库托管服务还提供问题跟踪、变更提案讨论、代码审查和项目权限等功能。这些功能围绕仓库展开,但不一定属于仓库的版本控制数据。因此,复制仓库并不会自动保留所有相关讨论、权限或自动化设置。
软件包仓库
软件包仓库向软件包管理器提供软件,由后者查找、下载、安装、更新或移除软件包。软件包可以包含可执行程序、库、源码分发包或配套资源。
仓库通常提供元数据,描述软件包名称、版本、支持的平台、依赖关系和完整性信息。软件包管理器利用这些信息确定有哪些软件包可用,以及安装时还需要哪些额外的软件包。
例子包括 Linux 发行版使用的仓库,以及 Python Package Index、npm registry 和 Maven Central 等面向特定编程语言的服务。它们的规则各不相同:有些分发由发行版维护者构建和审查的软件包,另一些则主要接收软件包发布者提交的发布版本。
注册表、索引和仓库这些术语有时会混用。更严格地说,索引可以列出软件包并指向存储在其他地方的文件,而注册表则管理软件包名称和发布。一个服务可以同时承担所有这些功能。
制品仓库
制品仓库存储软件开发和交付过程中生成的输出。这些输出可以包括已编译的库、可执行归档文件、容器镜像、调试符号和安装包。
制品仓库通常支持自动化构建和持续交付工作流。它们可以区分临时开发构建与已获批准的发布版本,实施保留策略,并控制制品在测试环境和生产环境之间的流转。这一类别与软件包仓库有所重叠:同一个存储对象既可以是构建制品,也可以是可安装的软件包。
组织与运行
仓库的设计取决于其存储的内容,但有几个问题普遍存在。
标识与版本管理
仓库需要通过某种方式区分对象和版本。源代码仓库可以使用由密码散列函数计算出的值来标识提交。软件包仓库则可以组合使用软件包名称、版本、平台,以及发布者或命名空间。
人类可读的版本标签并不总能充分标识确切内容。有些系统允许替换现有发布标签所对应的内容,另一些则禁止替换。内容散列值可以独立于标签来标识确切的字节内容,但其实际作用也取决于预期散列值的获取和保护方式。
发布与检索
发布可能涉及推送提交、上传软件包文件,或从构建系统传输制品。仓库可以在接受变更之前验证提交的内容、检查必需的元数据,并执行授权规则。
检索可能指克隆开发历史、获取特定修订版本、下载归档文件,或安装软件包。这些操作并不等同:源码归档通常包含一个快照,而完整的版本控制克隆则可以包含大量历史记录。
依赖处理
一个软件包可能需要其他软件包,而这些软件包本身又有进一步的依赖。软件包管理工具会解析这些关系,并选择符合所声明约束的版本。
仓库内容会影响解析结果。如果某些版本被移除、替换,或仓库中新增了发布版本,那么在不同时间解析同样一组宽泛约束,可能会得到不同的安装结果。锁定文件和精确的版本引用可以减少这种差异,但仅靠它们并不能保留重新构建软件所需的全部外部工具或资源。
部署与协作模式
仓库可以采用本地、集中托管、镜像或分布式等形式。
在集中式版本控制系统中,服务器通常维护权威历史记录,客户端则获取工作副本。在 Git 这样的分布式系统中,完整克隆可以包含项目历史,并支持本地提交。团队仍然可以通过约定,将某个托管仓库指定为权威仓库。
镜像会复制另一个仓库中的资料,以提高可用性、缩短下载距离或支持内部运作。镜像是否及时更新十分重要:即使可以访问,镜像中仍可能包含过时的元数据或软件包。
分叉是单独维护的副本,其开发方向可以与原仓库分离。托管平台通常会将分叉与向上游合并变更的提案关联起来,但维护分叉并不意味着最终必须合并其变更。
组织还需要决定如何将代码划分到不同仓库中。单体仓库将多个项目或组件放在一个仓库内,便于协调变更和共用工具。多仓库模式则将它们分开,从而可能实现更独立的权限管理和发布安排。这两种模式本身都不能决定软件的模块化程度或质量。
安全与信任
仓库是软件供应链的重要组成部分。账户被攻陷、软件包遭篡改或未经授权的发布,都可能影响大量下游用户。
访问控制决定谁可以读取、发布、修改或删除仓库内容。允许公众读取并不意味着允许公众写入,而公开可见的源代码仓库也不一定属于开源软件:用户获得哪些权限,由许可证决定。
完整性和真实性是两个不同的问题。校验和可以揭示下载的文件是否与预期值不符。数字签名可以将内容与某个签名密钥关联起来。但两者都不能证明软件没有缺陷或恶意行为,而且都依赖可信的验证信息。
软件包仓库面临的风险包括具有误导性的软件包名称、维护者账户被攻陷,以及依赖混淆;在依赖混淆中,解析器会从其他来源选中非预期的软件包。有关命名空间归属、仓库选择、审查和发布的政策都会影响这些风险。
仓库可以分发有关已知安全漏洞的信息,但托管或接收某个软件包本身并不构成安全审计。超文本传输安全协议等传输保护机制可以保障与服务之间通信的安全,但不能证明该服务所分发的所有内容都是安全的。
保存、可复现性与局限
仓库通过保留源代码修订版本和已发布制品来支持可复现性。不过,复现一次构建还可能需要确切的依赖项、编译器、配置、环境设置和外部资源。可复现构建特指从相同源代码和指定构建环境获得完全一致的构建输出,而不只是保留一个旧的可执行文件。
仓库也不会自动构成完整的数据备份。分布式克隆可以保留大量源代码历史,但可能不包含托管服务中的记录、单独存储的大文件、凭据或制品。删除操作和非预期变更也可能在同步副本之间传播。
长期可用性取决于保留规则、资金、管理和技术兼容性。软件包移除、账户删除、服务关闭或签名密钥丢失,都可能妨碍检索或验证。因此,仓库内容可以保存软件项目的重要部分,却不一定能保留理解、重新构建或运行该项目所需的一切。