Why Protocol Buffer So Fast? ----protobuf编码详解

prtotocol buffer是google于2008年开源的一款非常优秀的序列化反序列化工具，它最突出的特点是轻便简介，而且有很多语言的接口（官方的支持C++，Java，Python，C，以及第三方的Erlang, Perl等）。本文从protobuf如何将特定结构体序列化为二进制流的角度，看看为什么Protobuf如此之快。

一，示例

从例子入手是学习一门新工具的最佳方法。下面我们通过一个简单的例子看看我们如何用protobuf的C++接口序列化反序列化一个结构体。

1,编辑您将要序列化的结构体描述文件Hello.proto

image

每个结构体必须用message来描述，其中的每个字段的修饰符有required, repeated和optional三种，required表示该字段是必须的，repeated表示该字段可以重复出现，它描述的字段可以看做C语言中的数组，optional表示该字段可有可无。

同时，必须人为地为每个字段赋予一个标号field_number，如上图中的1,2,3,4所示。更详细的proto文件的编写规则见这里。

2,用protoc工具“编译”Hello.proto

protoc工具使用的一般格式是：

protoc -I=$SRC_DIR --cpp_out=$DST_DIR $SRC_DIR/xxx.proto

其中SRC_DIR是proto文件所在的目录，DST_DIR是编译proto文件后生成的结构体处理文件的目录

image

之后会生成对结构体Hello.proto中描述的各字段做序列化反序列化的类

image

3, 编写序列化进程write.cc

image

我们用set方法为结构体中的每个成员赋值，然后调用SerializeToOstream将结构体序列化到文件log中。

并编译它：

image

4，编写反序列化进程reader.cc

image

用ParseFromIstream将文件中的内容序列化到类Hello的对象msg中。

并编译它：

image,

5，做序列化和反序列化操作

image

上面只是一个简单的例子，并没有对protobuf的性能做测试，protobuf的性能测试详见这里。

二，protocol buffer的数据类型

从第一节中的例子可以看出，用Protocol buffer时需要用户自定义自己的结构体，而且结构体中的定义规则要符合google制定的规则。结构体中每个字段都需要一个数据类型，protocol buffer支持的数据类型在源代码wire_format_lite.h中定义：

image

其中：

VARINT类数据表示要用variant编码对所传入的数据做压缩存储，variant编码细节见下一节。

FIXED32和FIXED64类数据不对用户传入的数据做variant压缩存储，只存储原始数据。

LENGTH_DELIMITED类数据主要针对string类型、repeated类型和嵌套类型，对这些类型编码时需要存储他们的长度信息。

START_GROUP是一个组（该组可以是嵌套类型，也可以是repeated类型）的开始标志。

END_GROUP是一个组（该组可以是嵌套类型，也可以是repeated类型）的结束标志。

每类数据包含的具体数据类型如下表所示：

WireType                                                         表示类型

VARINT                                                 int32,int64,uint32,uint64,sint32,sint64,bool,enum

FIXED64                                                fixed64,sfixed64,double

LENGTH_DELIMITED                 string,bytes,embedded messages, packed repeadted field

START_GROUP                               group的开始标志

END_GROUP                                     group的结束标志

FIXED32                                               fixed32,sfixed32,float

三，protocol buffer的编码

一言以蔽之，ProtocolBuffer的编码是尽其所能地将字段的元信息和字段的值压缩存储，并且字段的元信息中含有对这个字段描述的所有信息。

整个结构体序列化后抽象地看起来像下图这样：

image

可以看到，整个消息是以二进制流的方式存储，在这个二进制流中，逐个字段以定义的顺序紧紧相邻。每个字段中由元信息tag和字段的值value组成。

其中tag是这样编码的：

1）field_number << 3 | wire_type

2）对上面得到的无符号类型整数做variant编码

其中field_number第一节中提到的每个字段的标号，wire_type是第二节中提到的该字段的数据类型。

1，variant编码

variant是一种紧凑型数字编码，将元数据跟数字保存在一起，如下图所示是数字131415的variant编码：

image

其中第一个字节的高位msb（Most Significant Bit ）为1表示下一个字节还有有效数据，msb为0表示该字节中的后7为是最后一组有效数字。踢掉最高位后的有效位组成真正的数字。

从上面可以看出，variant编码存储比较小的整数时很节省空间，小于等于127的数字可以用一个字节存储。但缺点是对于大于

268,435,455（0xfffffff）的整数需要5个字节来存储。但是一般情况下（尤其在tag编码中）不会存储这么大的整数。

对一个整数的variant编码的代码位于

./src/google/protobuf/io/coded_stream.cc:WriteVarint32FallbackToArrayInline()函数中，摘录如下；

inline uint8* CodedOutputStream::WriteVarint32FallbackToArrayInline( 
    uint32 value, uint8* target) { 
  target[0] = static_cast<uint8>(value | 0x80); 
  if (value >= (1 << 7)) { 
    target[1] = static_cast<uint8>((value >>  7) | 0x80); 
    if (value >= (1 << 14)) { 
      target[2] = static_cast<uint8>((value >> 14) | 0x80); 
      if (value >= (1 << 21)) { 
        target[3] = static_cast<uint8>((value >> 21) | 0x80); 
        if (value >= (1 << 28)) { 
          target[4] = static_cast<uint8>(value >> 28); 
          return target + 5; 
        } else { 
          target[3] &= 0x7F; 
          return target + 4; 
        } 
      } else { 
        target[2] &= 0x7F; 
        return target + 3; 
      } 
    } else { 
      target[1] &= 0x7F; 
      return target + 2; 
    } 
  } else { 
    target[0] &= 0x7F; 
    return target + 1; 
  } 
}

整个结构体的序列化过程如下：

a, 调用Hello类的ByteSize()计算出序列化后的长度，分配该长度的空间，以备以后将每个字段填充到该空间中，示例中的长度计算公式是：

                     1+Int32Size()+1+4+1+StringSize()

b, 调用Hello类的SerializeWithCachedSizes()对每个元素序列化

下面是对每一类元素的序列化编码详解

2 int32/int64/uint32/uint64类型的编码

a,计算长度    1 + Int32Size(值);

b,调用WireFormatLite::WriteInt32(…)将该字段的元信息和字段值写入到新空间中：

image

例如用户为int32传入值123，则该字段的存储如下：

第一个字节variant(1<<3|0)  第二个字节variant(123)

3，String类型的编码

a, 计算长度  1 + variant(stringLength)+stringLength

b, 调用WireFormatLite::WriteString(…)将该字段的元信息、长度和值写入到新空间中

image

例如用户为string传入值“hello”，则该字段的存储如下：

第一个字节variant(2<<3|2) ，第二个字节variant(5) ，剩余的字节 “hello”

4，float类型的编码

a, 计算长度 1+4

b,调用WireFormatLite::WriteFloat(…)将该字段的元信息和值写入到新空间中

image

其中写float内存拷贝的代码非常精炼：

inline float WireFormatLite::DecodeFloat(uint32 value) { 
  union {float f; uint32 i;}; 
  i = value; 
  return f; 
}

5, 嵌套结构体 编码

a, 1 + variant32(embedded长度）+embedded的长度

b,调用WireFormatLite::WriteMessageMaybeToArray(…)将该字段的元信息、长度和值写入到新空间中

image

6，repeated类型字段编码

a,计算长度    1*repeated个数 + variant32(repeated长度）+repeated长度

b,调用WireFormatLite::WriteMessageMaybeToArray(…)将下图所示编码的值写入到新空间中

image

7，sint32, sint64类型字段编码

从int32编码中可以看出，当int32传入-1时所耗的空间很大，所以结构体定义中引入了sint32和sint64类型的数据，这种数据采用一种叫zigzag的编码方式，使绝对值比较小的整数也占用比较小的字节。

zigzag编码的映射关系图如下

image

它将原始类型为int32的数用uint32的数表示，当一个数的绝对值比较小时，将其用uint32表示，再采用variant编码存储就会比较节省空间。

对一个整数的zigzag编码也很巧妙：

inline uint32 WireFormatLite::ZigZagEncode32(int32 n) { 
  // Note:  the right-shift must be arithmetic 
  return (n << 1) ^ (n >> 31); 
}

四 总结

从上面的编码可以看出, protocol buffer压榨每一个没有真正用到的字节，使之序列化后的字节尽量少，清晰的数据编码和诸多的位操作使之变得很轻便简洁高效。同时它提供了很多编程语言的接口，可以广泛应用于RPC系统中。

但是，由于它将元信息编码到二进制位中，使得序列化后的数据可读性非常差（其实是没有可读性 ^.^）。

五 参考文献

https://developers.google.com/protocol-buffers/ protobuf官方首页

https://developers.google.com/protocol-buffers/docs/encoding 详细讲述了protobuf的编码细节（有些地方比本文还详细）

http://code.google.com/p/thrift-protobuf-compare/wiki/Benchmarking protobuf性能

http://code.google.com/p/protobuf/wiki/ThirdPartyAddOns提供了其他众多语言实现的protocol buffer，但是安全性和效率不能保证

http://www.cppblog.com/colorful/archive/2012/05/05/173761.html提供了安装protobuf的方法，并给出了一个小例子

posted @ 2013-03-02 14:39  CobbLiu  阅读(14817)  评论(4)  编辑  收藏  举报