如何用git filter-branch移除历史中不在工作区的文件？

我明白你的需求——要给积累了大量数据的Git仓库“瘦身”，彻底删掉那些曾经存在但现在已经不在工作区的文件的所有历史痕迹，用git filter-branch批量处理所有提交和标签对吧？这就给你拆解具体实现：

核心命令 #

直接用这条命令就能实现目标，针对大仓库还做了效率优化：

git filter-branch --prune-empty -d /dev/shm/scratch \
  --index-filter '
    # 对比当前提交的文件列表和本地工作区的文件列表，找出只在提交里存在的文件
    comm -23 <(git ls-tree -r --name-only HEAD | sort) <(ls -1 | sort) | xargs -r git rm --cached -f --ignore-unmatch
  ' \
  --tag-name-filter cat -- --all

命令逻辑拆解 #

我给你逐个部分解释，方便你理解和调整：

• comm -23 <(...) <(...)：这是核心对比逻辑。comm -23会输出只在第一个列表里出现的内容：
  • 第一个列表：git ls-tree -r --name-only HEAD | sort → 列出当前处理的提交里所有存在的文件（递归遍历，排序保证格式对齐）
  • 第二个列表：ls -1 | sort → 列出你本地当前工作区的所有文件（同样排序）
    两者对比后，得到的就是这个提交里有，但现在工作区已经删掉的文件——这些就是我们要从历史里移除的目标。
• xargs -r git rm --cached -f --ignore-unmatch：把找到的文件批量从索引里删除：
  • -r：如果没有匹配的文件（比如某个提交里的文件都还在工作区），就跳过执行git rm，避免报错
  • --cached -f：强制从索引移除文件，不影响当前工作区的内容
  • --ignore-unmatch：如果某个文件在当前提交里不存在，也不会报错，保证命令能继续执行
• --prune-empty：自动移除那些因为删除文件后变成空的提交，进一步缩小仓库体积
• -d /dev/shm/scratch：用内存临时目录存储filter-branch的临时文件，比磁盘快很多，适合大仓库
• --tag-name-filter cat：保留所有原标签的名称，不修改标签指向的提交内容
• -- --all：处理仓库里所有的分支和标签，确保所有历史都被清理

重要注意事项 #

1. 先备份！先备份！先备份！：git filter-branch会永久修改仓库历史，操作前一定要克隆一个镜像备份：

   git clone --mirror your-repo-url backup-repo.git
   

2. 耐心等待：如果仓库很大、提交很多，这个操作可能会跑很久，不要中断进程
3. 清理冗余对象：处理完成后，执行下面的命令彻底清理仓库里的冗余数据，让体积真正缩小：

   git reflog expire --expire=now --all && git gc --prune=now --aggressive
   

4. 备选方案（Git 2.22+推荐）：官方现在更推荐用git filter-repo替代git filter-branch，它效率更高、更稳定。对应的命令是：

   git filter-repo --path-glob '*' --paths-from-file <(ls -1)
   

   这条命令会只保留当前工作区存在的文件，自动移除所有历史中不在这个列表里的文件，操作更简洁。

内容的提问来源于stack exchange，提问作者Cjen1