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:/a/255473.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

三大主流前端框架介绍

在前端项目中,可以借助某些框架(如React、Vue、Angular等)来实现组件化开发,使代码更容易复用。此时,一个网页不再是由一个个独立的HTML、CSS和JavaScript文件组成,而是按照组件的思想将网页划分成一个个组…

风速预测(六)基于Pytorch的EMD-CNN-GRU并行模型

目录 前言 1 风速数据EMD分解与可视化 1.1 导入数据 1.2 EMD分解 2 数据集制作与预处理 2.1 先划分数据集,按照8:2划分训练集和测试集 2.2 设置滑动窗口大小为96,制作数据集 3 基于Pytorch的EMD-CNN-GRU并行模型预测 3.1 数据加载&a…

ElementUI,修改el-cascader的默认样式

Element UI 中的下拉弹窗是通过在整个body标签末尾动态添加div实现的,所以修改样式时,必须要定义全局样式才能实现样式覆盖,那怎样才能避免全局的样式污染呢? 解决办法:通过给组件添加自定义的 popper-class 属性来避…

「新版」PyCharm 加载condav Environment / Conda executableis not found

在新版的 PyCharm 配置中,设置Conda环境不再与旧版本保持一致,对于新手而言可能不清楚如何加载,作者也是郁闷了好久,经过一顿输出发现需要通过加载conda配置,才调取conda虚拟环境,而不再是直接调取conda的虚…

06_Web框架之Django三

Web框架之Django三 学习目标和内容 1、能够通过ORM模型创建数据表 2、能够通过ORM模型对数据进行操作 3、能够理解ORM模型对应关系 一、ORM概念 1、ORM介绍 对象关系映射 用于实现面向对象编程语言里不同类型系统数据之间的转换。 其就是使用面向对象的方式,操作…

Convolutional Neural Network(CNN)——卷积神经网络

1.NN的局限性 拓展性差 NN的计算量大性能差,不利于在不同规模的数据集上有效运行若输入维度发生变化,需要修改并重新训练网络容易过拟合 全连接导致参数量特别多,容易过拟合如果增加更多层,参数量会翻倍无法有效利用局部特征 输入…

EnvoyFilter API

目录 原文链接 https://onedayxyy.cn/docs/EnvoyFilter-API 本节实战 实战名称🚩 实战:EnvoyFilter API-全局范围-2023.12.18(测试成功)🚩 实战:EnvoyFilter API-配置优先级-2023.12.18(测试成功)🚩 实战&#xff1a…

每日一题:LeetCode-LCR 016. 无重复字符的最长子串

每日一题系列(day 15) 前言: 🌈 🌈 🌈 🌈 🌈 🌈 🌈 🌈 🌈 🌈 🌈 🌈 🌈 &#x1f50e…

STM32_串口下载程序

目录标题 前言1、理论知识2、串口下载具体操作2.1、硬件准备2.2、软件准备2.3、设置单片机的启动模式为系统存储器启动2.4、软件配置2.5、下载程序 附:生成hex文件 前言 使用调试器下载程序又快有稳定还能使用调试功能,当然是下载调试的首选。但是拓展下串口下载程…

unittest自动化测试框架讲解以及实战

为什么要学习unittest 按照测试阶段来划分,可以将测试分为单元测试、集成测试、系统测试和验收测试。单元测试是指对软件中的最小可测试单元在与程序其他部分相隔离的情况下进行检查和验证的工作,通常指函数或者类,一般是开发完成的。 单元…

【论文阅读笔记】Pre-trained Universal Medical Image Transformer

Luo L, Chen X, Tang B, et al. Pre-trained Universal Medical Image Transformer[J]. arXiv preprint arXiv:2312.07630, 2023.【代码开源】 【论文概述】 本文介绍了一种名为“预训练通用医学图像变换器(Pre-trained Universal Medical Image Transformer&…

浅谈深度学习中的不同归一化层

引言 目前,深度学习已经彻底改变了自然语言处理、计算机视觉、机器人等许多子领域。深度学习当然涉及训练精心设计的深度神经网络,并且各种设计决策会影响这些深度网络的训练机制。其中一些设计决策包括 网络中要使用的网络层类型,例如卷积…

AudioGPT 语音技术全覆盖:语音识别、增强、分离、风格迁移等 | 开源日报 No.114

stevearc/oil.nvim Stars: 1.7k License: MIT oil.nvim 是一个类似于 vim-vinegar 的文件浏览器,允许您像普通 Neovim 缓冲区一样编辑文件系统。其主要功能包括支持常见插件管理器、通过适配器抽象进行所有文件系统交互以及提供 API 来执行各种操作。该项目的关键…

LLM之RAG实战(五)| 高级RAG 01:使用小块检索,小块所属的大块喂给LLM,可以提高RAG性能

RAG(Retrieval Augmented Generation,检索增强生成)系统从给定的知识库中检索相关信息,从而使其能够生成事实信息、上下文相关信息和特定领域的信息。然而,在有效检索相关信息和生成高质量响应方面,RAG面临…

redis:六、数据过期删除策略(惰性删除、定期删除)和基于redisson实现的分布式锁(看门狗机制、主从一致性)和面试模板

数据过期删除策略 Redis的过期删除策略:惰性删除 定期删除两种策略进行配合使用 惰性删除 惰性删除:设置该key过期时间后,我们不去管它,当需要该key时,我们在检查其是否过期,如果过期,我们就…

119. 杨辉三角 II

描述 : 给定一个非负索引 rowIndex,返回「杨辉三角」的第 rowIndex 行。 在「杨辉三角」中,每个数是它左上方和右上方的数的和 题目 : LeetCode 119. 杨辉三角 II : 119. 杨辉三角 II 分析 : 这道题用二维数组来做 . 解析 : class Solution {pub…

Jmeter接口测试断言

一、响应断言 对服务器的响应接口进行断言校验,来判断接口测试得到的接口返回值是否正确。 二、添加断言 1、apply to: 通常发出一个请求只触发一个请求,所以勾选“main sampie only”就可以;若发一个请求可以触发多个服务器请…

选择排序、快速排序和插入排序

1. 选择排序 xuanze_sort.c #include<stdio.h> #include<stdlib.h>//选择排序void xuanze_sort(int arr[],int sz){//正着for(int i0;i<sz;i){//外层循环从第一个数据开始依次作为基准数据for(int j i1;j<sz;j){//int j i1 因为第一个数据作为了基准数据&…

如何使用 C++ 开发 Redis 模块

在本文中&#xff0c;我将总结 Tair 在使用 C 开发 Redis 模块时遇到的一些问题&#xff0c;并将其提炼为最佳实践。目的是为 Redis 模块的用户和开发人员提供帮助。其中一些最佳实践也可以应用于 C 编程语言和其他编程语言。 介绍 从 Redis 5.0 开始&#xff0c;支持模块插件…

Unity中URP下的顶点偏移

文章目录 前言一、实现思路二、实现URP下的顶点偏移1、在顶点着色器中使用正弦函数&#xff0c;实现左右摇摆的效果2、在正弦函数的传入参数中&#xff0c;加入一个扰度值&#xff0c;实现不规则的顶点偏移3、修改正弦函数的振幅 A&#xff0c;让我们的偏移程度合适4、修改正弦…