Protocol Buffers 编码详解,例子,图解
本文不是让你掌握protobuf的使用,而是以超级细致的例子的方式分析protobuf的编码设计。通过此文你可以了解protobuf的数据压缩能力来自什么地方,版本兼容如何做到的,其Key-Value编码的设计思路。如果你详细了解此文,你应该就能具备自己造一套编解码轮子的能力(至少基本思路)。
阅读图片时请对比前面的例子和表格。每个字段的名称都是包含了tag的。
message S2 { optional int32 s2_1 = 1; optional string s2_2 = 2 ; } enum E1 { E1_1 = 1; E1_3 = 3; E1_5 = 5; } message S3 { optional int32 s3_1 = 1; //设置为0x88 optional int32 s3_2 = 2; //设置为0x8888 optional uint32 s3_3 = 3; //设置为0xE8E8E8 optional uint32 s3_4 = 4; //设置为0xE8E8E8E8 optional int64 s3_5 = 5; //设置为0x8888 optional int64 s3_6 = 6; //设置为0xE8E8E8E8 optional uint64 s3_7 = 7; //设置为0xE8E8E8E8 optional uint64 s3_8 = 8; //设置为0xE8E8E8E8E8E8E8E8 optional sint32 s3_9 = 9; //设置为0x8888 optional sint32 s3_10 = 10; //设置为-0x8888 optional sint64 s3_64 = 64; //注意这个tag id 设置为0xE8E8E8E8 optional sint64 s3_65 = 65; //注意这个tag id 设置为-0xE8E8E8E8 optional E1 s3_11 = 11; //设置为E1_5 optional bool s3_12 = 12; //设置为true optional float s3_13 = 13; //设置 float,设置为88.888 optional fixed32 s3_14 = 14; //设置为 0x8888 optional sfixed32 s3_15 = 15; //设置为 -0x8888 optional double s3_16 = 16; //设置 double,设置为8888.8888 optional fixed64 s3_17 = 17; //设置为 0x8888888888 optional sfixed64 s3_18 = 18; //设置为 -0x8888888888 optional string s3_19 = 19; //设置为 "I love you,C++!" optional bytes s3_20 = 20; //设置为 "I hate you,C++!" repeated int32 s3_21 = 21; //设置为3, 270, and 86942, 用google文档的例子 repeated int32 s3_22 = 22 [packed = true]; //设置为3, 270, and 86942 repeated string s3_23 = 23; //设置为"love","hate","C++" optional S2 s3_24 = 24; //设置为 0x1,"love" repeated S2 s3_25 = 25; //设置为 0x16,"love" and 0x16,"hate" repeated fixed32 s3_26 = 26; //设置为1,2,3 optional int32 s3_27 = 27; //不设置 }
编码的的数据表格如下,后面的剖析都会依赖这个表格进行。
分类说明 | 定义 | TAG | WriteType | 设置的值 | 编码后的 16 进制数据 KEY + ( LENGTH) +VLAUE | 函数 |
VALUE 用 VARINT 表示 | optional int32 | 1 | 0 | 0x88 | 08 88 01 | WriteInt32ToArray |
optional int32 | 2 | 0 | 0x8888 | 10 88 91 02 | WriteInt32ToArray | |
optional uint32 | 3 | 0 | 0xE8E8E8 | 18 e8 d1 a3 07 | WriteUInt32ToArray | |
optional uint32 | 4 | 0 | 0xE8E8E8E8 | 20 e8 d1 a3 c7 0e | WriteUInt32ToArray | |
optional int64 | 5 | 0 | 0x8888 | 28 88 91 02 | WriteInt64ToArray | |
optional int64 | 6 | 0 | 0xE8E8E8E8 | 30 e8 d1 a3 c7 0e | WriteInt64ToArray | |
optional uint64 | 7 | 0 | 0xE8E8E8E8 | 38 e8 d1 a3 c7 0e | WriteUInt64ToArray | |
optional uint64 | 8 | 0 | 0xE8E8E8E8E8E8E8E8 | 40 e8 d1 a3 c7 8e 9d ba f4 e8 01 | WriteUInt64ToArray | |
optional sint32 | 9 | 0 | 0x8888 | 48 90 a2 04 | WriteSInt32ToArray | |
optional sint32 | 10 | 0 | -0x8888 | 50 8f a2 04 | WriteSInt32ToArray | |
optional E1 ( enum ) | 11 | 0 | E1_5 | 58 05 | WriteEnumToArray | |
optional bool | 12 | 0 | true | 60 01 | WriteBoolToArray | |
VALUE 固定 4 个字节 | optional float | 13 | 5 | 88.888 | 6d a8 c6 b1 42 | WriteFloatToArray |
optional fixed32 | 14 | 5 | 0x8888 | 75 88 88 00 00 | WriteFixed32ToArray | |
optional sfixed32 | 15 | 5 | -0x8888 | 7d 78 77 ff ff | WriteSFixed32ToArray | |
VALUE 固定 8 个字节 | optional double | 16 | 1 | 8888.8888 | 81 01 58 ca 32 c4 71 5c c1 40 | WriteDoubleToArray |
optional fixed64 | 17 | 1 | 0x8888888888 | 89 01 88 88 88 88 88 00 00 00 | WriteFixed64ToArray | |
optional sfixed64 | 18 | 1 | -0x8888888888 | 91 01 78 77 77 77 77 ff ff ff | WriteSFixed64ToArray | |
repeated,message,string,btyes 类的有长度的编码 | optional string | 19 | 2 | "I love you,C++!" | 9a 01 0f 49 20 6c 6f 76 65 20 79 6f 75 2c 43 2b 2b 21 | VerifyUTF8StringNamedField |
optional bytes | 20 | 2 | "I hate you,C++!" | a2 01 0f 49 20 68 61 74 65 20 79 6f 75 2c 43 2b 2b 21 | WriteBytesToArray | |
repeated int32 ( 对比 ) | 21 | 0 | 3,270,86942 | a8 01 03 a8 01 8e 02 a8 01 9e a7 05 | WriteInt32ToArray | |
repeated int32 [packed=true] | 22 | 2 | 3,270,86942 | b2 01 06 03 8e 02 9e a7 05 | WriteTagToArray | |
repeated string | 23 | 2 | "love","hate","C++" | ba 01 04 6c 6f 76 65 ba 01 04 68 61 74 65 ba 01 03 43 2b 2b | VerifyUTF8StringNamedField | |
optional S2(message) | 24 | 2 | {0x1,"love"} | c2 01 08 08 01 12 04 6c 6f 76 65 | WriteMessageNoVirtualToArray | |
repeated S2 | 25 | 2 | S2{0x16,"love"} ,S2{0x16,"hate"} | ca 01 08 08 16 12 04 6c 6f 76 65 ca 01 08 08 16 12 04 68 61 74 65 | WriteMessageNoVirtualToArray | |
repeated fixed32 (对比) | 26 | 5 | 1,2,3 | d5 01 01 00 00 00 d5 01 02 00 00 00 d5 01 03 00 00 00 | WriteFixed32ToArray | |
可选没有设置 | optional int32 | 27 | 0 | 没有设置 | 没有数据 | |
数据是安装 tag 排序进行编码的 | optional sint64 | 64 | 0 | 0xE8E8E8E8 | 80 04 90 a2 04 | WriteSInt64ToArray |
optional sint64 | 65 | 0 | -0xE8E8E8E8 | 88 04 8f a2 04 | WriteSInt64ToArray |
message中的fields按照tag顺序进行编码,而 每个fields的采用key+value的方式保存编码数据 。如果一个optional,或者repeated的fields没有被设置,那么他在编码的数据中完全不存在。相应的字段在解码的时候回设置为默认值。如果一个required的标识的fields没有被设置,那么在IsInitialized()检查会失败。编码的顺序和元数据.proto文件内fields的定义数据无关,而是根据tag的从小到大的顺序进行的编码。
key-value的设计保证了protobuf的版本兼容。高<->低,和低<->高都可以适配。(如果高版本编码增加了required 字段,低版本数据解码后会认为IsInitialized() 失败,所以慎用required )
protobuf的整体数据都是变长的,而且有一定的自描述能力,所以其设计的核心点就是能识别出每一个key,value,(length)。
先要说明,protobuf编码对自己的类型进行了再归类,其归类类型就是WireType
Type , | 枚举定义, WireType | Meaning | 对应的 protobuf 类型 | 编码长度 |
0 | WIRETYPE_VARINT | Varint | int32, int64, uint32, uint64, sint32, sint64, bool, enum | 变长, 1-10 个字节,用 VARINT 编码且压缩 |
1 | WIRETYPE_FIXED64 | 64-bit | fixed64, sfixed64, double | 固定 8 个字节 |
2 | WIRETYPE_LENGTH_DELIMITED | Length-delimited | string, bytes, embedded messages, packed repeated fields | 变长,在 key 后会跟一个长度定义 |
3 | WIRETYPE_START_GROUP | Start group | groups (deprecated) | 已经要废弃了,不看也罢 |
4 | WIRETYPE_END_GROUP | End group | groups (deprecated) | |
5 | WIRETYPE_FIXED32 | 32-bit | fixed32, sfixed32, float | 固定 4 个字节 |
KEY = VARINT(fields_tag<<3|WireType)
fields_tag就是元数据描述.proto文件里面的tag。
WireType他们就是这个field类型对应的WireType的枚举值。见前面定义表中定义。
生产的数据再用VARINT(后面介绍)进行编码。
当类型VARINT整数数组 (比如repeated int32 ),如果不加packed=true修饰时,key=VARINT(fields_tag<<3|WriteType :0),视WireType为VARINT ,如果加上packed=true修饰时,仍然KEY = VARINT(fields_tag<<3|WireType:2),视类型为LENGTH_DELIMITED。
用字段s3_17的key举例:
Base 128 bits VARINS
前面说过变长编码的最大挑战是要找到每个字段边界。所以就必须能用方法能在编码的数据里面找到这个数值。
用连续字节的msb(most significant bit)为1,表示后续的字节仍然是这个数字。当首msb为0,表示结束。这个方法在UTF编码里面也常用。
例子,红色的bit都是表示连续,蓝色bit表示结束。
源: 0x8888 1000 1000 1000 1000
编: 0x029188 0 000 0010 1 001 0001 1 000 1000
源:0xE8E8E8 1110 1000 1110 1000 1110 1000
编:0x07A3D1E8 0 000 0111 1 010 0011 1 101 0001 1 110 1000
KEY,LENGTH的编码也是用VARINTS
s3_2的字段例子
s3_3的走低am的;ozone
VARINS大部分时候都可以压缩数值,但如果数值很大时,反而会增加一些消耗,比如int64极限0xFFFFFFFFFFFFFFFF下需要10个字节,所以一看就有一个弱点, VARINS如果直接使用对于有符号数值不利。
所以google对此增加sint32,sint64类型,其会先采用ZigZag编码,然后再VARINS ,不说废话了,直接上google的表格示例:
算法( L 我看了示例也没有想到能这样写)
(n << 1) ^ (n >> 31)
(n << 1) ^ (n >> 63)
Signed Original | Encoded As |
0 | 0 |
-1 | 1 |
1 | 2 |
-2 | 3 |
2147483647 | 4294967294 |
-2147483648 | 4294967295 |
double,float, 这些都是IEEE规定好的格式。大家反而都老实了。
fixed32,sfixed32,fixed64,fixed64,适合存放大数字数字。编码后变成网络序。
下图是展示repeated fixed32的编码,可以看到其实就是key重复出现。
string的编码还是key+value,只是value里面多了一个长度。
string的要求是UTF8的编码的。所以如果不是这个编码最好用bytes。
string的编码带入没有'/0'
下图是repeated string
repeated 的VARINTS 有带packed=true 时也是变长,带packed=true的描述会压缩更多,但和普通repeated模式不太一样。
下面的例子是带有packed的字段s3_22的例子
下面是不带packe=true的例子。
内嵌类,中间潜入类S2的例子,s3_24{1,"love"},内嵌类里面的编码方式和外部一样,只是内嵌类的tag使用其自己的tag。
下面的例子是repeated S2 s3_25{22,"love"},{22,"hate"}
编码和解码函数SerializeToArray,ParseFromArray,得到编码size要调用函数ByteSize。如果要逃避required的IsInitialized()检查检查,可以用SerializePartialToArray, ParsePartialFromArray一类函数。当然后果自负。
proto的解码就是找到key,根据key找到tag(代码里面叫fieldnumber),然后根据tag进行解码,因为编码是KV的,编码本事有一定的防错性。
比较有意思的是google在代码里面会有预测下一个tag解码处理。应该是为了加速处理(不进入for循环)。
其实拿protobuf和XML这类编码比完全是不公平的较量,简直就是欺负小P孩。真正应该拿来对比到时当年这些真正的编码工具,比如电信中的ASN.1和CORBA中的CDR等。这些编码先驱对数据的读取操作往往是完全依靠生产的代码(大部分没有kv设计)。
我自己觉得最大改变来自当年的编解码工具在编码的时候,只着眼于双方(比如异构系统)的数据值表示不一致时,将异构的数据编译成数据流的问题,而protobuf在之上还解决了分布系统中重要的麻烦,版本兼容的问题。
其实性能方面,这些先驱和Protobuf应该都在伯仲之间。
protobuf的数据类型支持其实并不丰富。但这样也在多语言支持上轻松了很多。(想想给lua支持一个char,short),在编码处理上也有很多化烦为简的设计。
KeyValue的编码+可选项默认值方法保证了protobuf在版本兼容上有先天优势。
关于字段更新,和版本兼容,google给出的建议:
【参考】https://developers.google.com/protocol-buffers/docs/proto ,
可以不使用requested,只是用optional+default 默认值, requested只是将你需要做的检查交给了protobuf。代价是版本兼容的麻烦。不如不用。
版本兼容宝典:字段只新增,不删除,字段描述不用requested,任何时候tag不要变动,类型变化要慎重只有兼容才可以(但还是慎重把!),optional到repeated的变换也可以(只要没用pack=true)。
tag是要占空间的,如果tag>16时,KEY的编码就会占用2个字节了。所以tag的定义尽量不要跳动。
如果要出现负数,不要使用int32,int64,而应该使用sint32,sint64。
string真要UTF8的,有检查的。
repeated的VARINTS类型,可以增加packed=true减小占用空间,但有低版本不兼容的风险。
对于repeated字段的使用,protobuf是有提前(预分配)分配空间的,扩展基本就是乘以2,对同一个message,如果已经分配好空间了,Clear并不回收这一空间。所以尽量使用一个控制点编解码比较好。
.proto生成的message对应的结构很重,在游戏开发中不合适直接使用。需要你自己的数据和message的结构之间转换。(这个我很不爽)
多语言支持是protobuf的重大加分项。其实这点社区贡献良多。
KV的设计+可选和默认值,保证版本兼容。而且支持很天然,就我所知在其出来之前,没有一个编码工具把这个事情解决舒服了。
完善的文档体系和开源的方式让其获得了大量拥戴,以及大量社区的支持。
我不爽protobuf的地方:
google的还有一个新的为游戏开发准备的编码方式Flatbuffers,人家还在不断进步。
《google的protobuf文档》https://developers.google.com/protocol-buffers/docs/overview
《google的protobuf编码解释》https://developers.google.com/protocol-buffers/docs/encoding
《Flatbuffer的bechmark》http://google.github.io/flatbuffers/md__benchmarks.html
《protobuf详解》 http://www.cnblogs.com/cobbliu/archive/2013/03/02/2940074.html 非常详细的一篇文章,唯一感觉没有说清的地方是可变长度的字段。
ferguszhang(张峰祯)的protobuf介绍图片。
【本文作者是雁渡寒潭,本着自由的精神,你可以在无盈利的情况完整转载此文档,转载时请附上BLOG链接:http://www.cnblogs.com/fullsail/,否则每字一元,每图一百不讲价。对Baidu文库和360doc加价一倍】