Git中text=auto的工作原理及文本/二进制文件判定机制咨询

根据Git官方文档对text=auto的描述：

当text设置为"auto"时，Git会自行判定文件是文本文件还是二进制文件。若判定为文本文件且该文件在Git中原本未使用CRLF换行符，则在签入和签出时会按上述说明转换换行符；否则，签入和签出时不进行转换。

但文档并未说明Git是如何做出这一判定的，以下是具体解答：

1. 核心判定逻辑 #

Git判定文件类型完全基于内容分析，规则如下：

• 优先检查NUL字节：只要文件中包含ASCII 0（NUL）字节，Git直接将其判定为二进制文件，这是最明确的判定标准。
• 非打印字符占比统计：对于没有NUL字节的文件，Git会统计文件中非打印字符的比例。如果该比例超过对应版本的阈值，则判定为二进制文件；反之则视为文本文件。

2. 相关文档与实现细节 #

Git官方文档仅在gitattributes和git diff的说明中提及核心判定规则（比如NUL字节检查），未公开完整的算法细节。若想了解具体实现，可以查看Git源代码中的buffer_is_binary函数（位于git-compat-util.c文件），该函数是判定逻辑的核心实现。

3. 不同版本的算法差异 #

整体判定框架在各Git版本中保持稳定，但细节上有针对性优化：

• Git 1.x版本：非打印字符的阈值相对严格，容易将包含少量特殊字符的文本文件误判为二进制。
• Git 2.x及后续版本：优化了非打印字符的统计逻辑，调整了阈值，同时适配了更多特殊编码的文本文件类型，大幅降低了误判概率。

内容的提问来源于stack exchange，提问作者shadowtalker