SVN小白常见操作流程

SVN小白常见操作流程

  • 一、什么是Subversion?
  • 二、TortoiseSVN客户端安装教程
  • 三、SVN 操作
    • 3.1 SVN Ckeckout(检出)
    • 3.2 Add(新增文件)
    • 3.3 SVN Commit(提交)
    • 3.4 SVN Update(更新操作)
    • 3.5SVN Delete(删除操作)
    • 3.6 SVN Revert to a revision(版本回溯)
    • 3.7 不同版本内容之间的比较


一、什么是Subversion?

Subversion是一个免费开源的版本控制系统(version control system),也就是说,Subversion可以跨越时间对文件和目录,以及它们的修改进行管理,允许回复数据的旧版本,或者检查数据的修改历史。
在这里插入图片描述

二、TortoiseSVN客户端安装教程

下载TortoiseSVN下载地址:https://tortoisesvn.net/downloads.html
在这里插入图片描述
根据操作系统(32-bits OS、64-bits OS)选择自己需要的版本进行下载,双击TortoiseSVN安装包(如TortoiseSVN-1.12.2.28653-x64-svn-1.9.7.msi)会弹出安装界面,一直点击nest,进入下一步双击TortoiseSVN安装程序,弹出安装页面,点击Next
在这里插入图片描述
勾选‘I agree the terms in the License Agreement’,点击Next
在这里插入图片描述
这里别的我们不动,如果想改变安装路径,可以更换安装路径,然后点击next:
在这里插入图片描述
点击install:
在这里插入图片描述
点击Finish:
在这里插入图片描述
安装完成后在桌面点击鼠标右键进行查看,有此标志则代表安装成功:
在这里插入图片描述

三、SVN 操作

3.1 SVN Ckeckout(检出)

假如项目已经在服务器的远程仓库里,现在要做的就是把它检出(checkout)到本地,首先创建一个空文件夹,在空文件夹内右键,点击SVN Checkout。

填写版本库URL地址,确定检出到本地的目录,确认深度默认为全递归(Fully recursive),检出版本默认为最新版本(HEAD revision),也可以指定版本进行检出,点击确定。(如果是第一次使用,会弹出一个认证页面让填写用户名和密码,勾选保存认证,点击确定)

在这里插入图片描述

3.2 Add(新增文件)

如果要把本地文件或代码添加到受版本控制的存储库中(已经执行过checkout操作的那个目录)

把文件添加进去后,文件上会出现蓝色问号,表示不属于版本库的位置文件,需要执行add操作,鼠标右键新增文件选择"Tortoise SVN"的"Add"选项,执行完add操作后才能成功commit。

在这里插入图片描述

3.3 SVN Commit(提交)

在本地对受版本控制的代码进行修改后,会发现文件上会有个红色标志,对修改的文件进行提交后才会受版本控制,提交成功后文件显示为绿色;将新add进来的文件成功commit后,文件的蓝色标志会变成绿色对勾。 团队协作的项目,在commit提交前执行svn update 操作获取文件最新版本,然后填写提交信息,再进行commit提交。
在这里插入图片描述
在这里插入图片描述

3.4 SVN Update(更新操作)

团队协作的项目中项目成员都会进行代码提交,svn服务器上远程仓库的文件有了更新变动时需要先执行update操作,获取项目的最新版本。 选择要更新的文件,点击鼠标右键选择SVN Update 获取文件的最新版本。
在这里插入图片描述

3.5SVN Delete(删除操作)

如果需要删除版本控制下的文件,首先执行Delete操作,然后再进行commit提交,远程仓库里的文件才能被成功删除。
在这里插入图片描述
在这里插入图片描述

3.6 SVN Revert to a revision(版本回溯)

选择版本控制下的文件,选择需要版本回退的文件,右键Tortoise SVN,选择show logs,选择想要回退的版本,点击鼠标右键选择 Revert to this revision,点击Revert,点击OK,回溯成功。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.7 不同版本内容之间的比较

选择文件,右键Tortoise SVN,选择show logs,邮件选择相要比较的版本,邮件 compare with working copy,选择版本与当前版本进行比较。
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/285046.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JAVA:深入探讨Java 8 Stream的强大功能与用法

1、简述 Java 8引入了Stream API,为处理集合数据提供了一种更为强大和灵活的方式。Stream是一种抽象的数据结构,它允许你以一种声明性的方式处理数据集合。与传统的集合操作不同,Stream并不是一个存储数据的数据结构,而是在源数据…

GCS轨迹优化算法:有效提升机器人在复杂环境下的行动能力

原创 | 文 BFT机器人 机器人要在迷宫中找到出路并非易事,试想我们让机器人穿越一个孩子的游戏室,散落在地板上的各种玩具和各类家具挡住了一些潜在的路径。这个混乱的”迷宫“要求机器人在不与任何障碍物相撞的情况下计算到达目的地的最优路径&#xff…

【C Primer Plus第六版 学习笔记】第十一章 字符串和字符串函数

有基础,进阶用,个人查漏补缺 puts()只显示字符串,而且自动在末尾加上换行符 字符串定义(字符串有字符串常量、char类型数组、指向char的指针) 字符串常量: 用双括号括起来,双引号中的字符和编译…

数据加密标准DES硬件实现(Modelsim)

数据加密标准DES硬件实现 本文内容摘要理论依据和设计内容仿真结果整体代码 本文内容摘要 本文设计并验证了DES的密钥扩展通路,分别采用Round Based方法和Pipeline方法两种方式设计并验证DES的明文通路 理论依据和设计内容 首先,要了解分组密码算法及DE…

react点击事件

使用事件对象传参 //按钮 <button onClick{thisClick}>点击事件</button> //方法 const thisClick (e) >{console.log(这里是点击结果,e)} 输出结果 传递自定义参数 //按钮 <button onClick{()>thisClick(参数)}>点击事件</button> //方法 c…

大数据Doris(三十八):Aggregate 和 Uniq 模型中的 ROLLUP

文章目录 Aggregate 和 Uniq 模型中的 ROLLUP 一、获得每个用户的总消费

云原生之深入解析Thanos在EKS多集群架构上存储多个集群Prometheus

一、前言 随着 HiredScore 的产品和客户群越来越大&#xff0c;已经开始向 Kubernetes 过渡并迅速采用它&#xff0c;它是我们重要的障碍之一&#xff0c;也可能是最大的监控基础设施。我们在使用 Prometheus / Grafana 堆栈进行监控方面有一些经验&#xff0c;了解到希望创建…

得帆信息创始人-张桐,受邀出席 BV百度风投AIGC主题论坛

近日&#xff0c;得帆信息创始人兼CEO张桐&#xff0c;作为百度风投被投代表企业创始人受邀出席“向未来&#xff0c;共成长” BV百度风投AIGC主题论坛。 与包括上海市徐汇区相关部门领导、百度集团相关事业部负责人及代表&#xff0c;以及来自国寿资本、中网投、麦顿投资的投资…

YOLOV5 数据集的划分的详细流程(超详细)

1 数据划分 标注好后的数据集分为两个文件夹&#xff0c;一个文件夹中放置图片另一个文件夹中放置了txt文件。将数据集按照一定的比例进行划分为训练集&#xff0c;测试集&#xff0c;验证集&#xff08;train、test、val&#xff09;&#xff0c;下述的代码中我按照了 8:1:1 的…

php-使用wangeditor实现富文本(完成图片上传)-npm

官网参考连接&#xff1a;快速开始 | wangEditor 样式&#xff1a; 一、新建一个临时文件夹test1和一个文件夹wangeditor 临时文件夹test1&#xff1a;临时存放通过npm下载的文件文件夹wangeditor&#xff1a;用于存放在临时文件夹test1拷贝的css和js 二、安装 editor 在确保有…

云原生之深入解析如何在K8S环境中使用Prometheus来监控CoreDNS指标

一、什么是 Kubernetes CoreDNS&#xff1f; CoreDNS 是 Kubernetes 环境的DNS add-on 组件&#xff0c;它是在控制平面节点中运行的组件之一&#xff0c;使其正常运行和响应是 Kubernetes 集群正常运行的关键。DNS 是每个体系结构中最敏感和最重要的服务之一。应用程序、微服…

去掉乘法的加法神经网络

AdderNet: Do We Really Need Multiplications in Deep Learning? 核心贡献 用filter与input feature之间的L1-范数距离作为“卷积层”的输出为了提升模型性能&#xff0c;提出全精度梯度的反向传播方法根据不同层的梯度级数&#xff0c;提出自适应学习率策略 研究动机 加…