聊一聊序列化-Protobuf

Posted 2021-04-11 一只懒懒的coder

认识Protobuf

Protocol buffers are a flexible, efficient, automated mechanism for serializing structured data – think XML, but smaller, faster, and simpler.

Protobuf是Google推出的一种轻量&高效的结构化数据存储格式，是一款跨平台、跨语言、可扩展的序列化结构数据的方法；可用作通信协议、数据存储,etc...

特性

【优点】

• 使用简单

• 跨平台、跨语言、可扩展性

• 维护成本低

• 向后兼容性好

• 加密性好：二进制不可读

• 性能好

• 体积比XML小3倍

• 序列化速度比XML快20倍

• 传输速度快

【缺点】

• 自解释性差:二进制不可读

• 需预定义结构

适用场景

• 传输数据量大

• 网络环境不稳定

看个例子

message Person {
  /** required and optional 
 * 1.required:必填
 * 2.optional:可选
 */
  // field_type field_name = field_number
  required string name = 1;
  required int32 id = 2;
}

【测试代码】

@Test
public void testProtoBuf() {
    // encode bytes
    byte[] bytes = Person.newBuilder().setName("java").setId(1).build().toByteArray();
    System.out.println(Arrays.toString(bytes));
    
    // decode bytes
    for (byte b : bytes) {
        System.out.println(getBinString(b));
    }
}

private String getBinString(byte b) {
    return String.format("%8s", Integer.toBinaryString(b)).replace(' ', '0');
}

【生成的字节数组及二进制】

// 字节数组
[10, 4, 106, 97, 118, 97, 16, 1]
// 二进制
00001010
00000100
01101010
01100001
01110110
01100001
00010000
00000001

下面我们通过上述二进制的输出了解下protobuf是怎么进行序列化的

序列化

protobuf序列化采用的Tag-Length-Value结构的存储方式

• Tag：通过一个字节(8位)来存储field_number(前5位)和field_type(后3位)

• Length:可选值，存储Value的长度，Length-delimited需要存储Length

• Value:对应字段值的二进制表示

重点介绍一下Tag里面field_type表示，其决定了value是怎么表示；
【Wire Type表】

通过Wire Type再来看上文的二进制表示

# set name = "java"
# Tag:field_number=1,field_type=2
00001010
# Length:4
00000100
# Value:"java"
01101010
01100001
01110110
01100001

# set id = 1
# Tag:field_number=2,field_type=0
00010000
# Value:1
00000001

Varint

Varint是一种特殊的整型，可变长的数字；其类型主要包含以下几个

它用一个或多个字节来表示一个数字，值越小的数字使用越少的字节数。这能减少用来表示数字的字节数。

如：
1. 对于 int32 类型的数字，一般需要 4个字节 表示； 若采用 Varint编码，对于很小的 int32 类型 数字，则可以用 1个字节 来表示 
2.虽然大的数字会需要 5 个 字节 来表示，但大多数情况下，消息都不会有很大的数字，所以采用 Varint方法总是可以用更少的字节数来表示数字

我们看一下写int32的源码

private void writeVarint32(int n) {                   
  int idx = 0;  
  while (true) {  
    // 如果只有一个字节，直接中断
    if ((n & ~0x7F) == 0) {  
      i32buf[idx++] = (byte)n;  
      break;  
    } else {  
      // 取出字节串末7位,在最高位添加1构成一个字节
      i32buf[idx++] = (byte)((n & 0x7F) | 0x80);  
      // 无符号右移7位
      n >>>= 7;  
    }  
  }  
  trans_.write(i32buf, 0, idx); 
}   

从以上源码我们能得出

1. 如果最高位为1，表示后续的 字节 也是该数字的一部分

2. 如果是 0，表示这是最后一个字节，且剩余 7位 都用来表示数字

因此：

• 小于 128 的数字 都可以用 1个字节 表示；

• 大于 128 的数字，比如 300，会用两个字节来表示：10101100 00000010

【负数的特殊处理】
我们知道，在二进制表示中，如果最高位为1，则代表该数为负数；当然Protobuf也很好的解决了这个问题，

`Protobuf`定义了 `sint32 / sint64` 类型表示负数，通过先采用 `Zigzag` 编码（将`有符号数`转换成`无符号数`），再采用 Varint编码，从而用于减少编码后的字节数 

【Zigzag】
Zigzag是一种变长的编码方式，使得绝对值小的数字都可以采用较少字节来表示；其编码解码过程为

• 编码过程，代码为(n <<1) ^ (n >>31)

• 将n左移1位

• 将n右移31位

• 前两个结果异或操作

• 解码过程，代码为(n >>> 1) ^ -(n & 1)

• 无符号右移1位

• 对(n & 1) 取反

• 两者异或

FYI

• Protocol Buffer 序列化原理大揭秘 - 为什么Protocol Buffer性能这么好？

• Google Protocol Buffers 序列化算法分析

• Protocol Buffers