IM通讯协议专题学习(八)：金蝶随手记团队的Protobuf应用实践(原理篇)

本文由金蝶随手记技术团队丁同舟分享。

1、引言

跟移动端IM中追求数据传输效率、网络流量消耗等需求一样，随手记客户端与服务端交互的过程中，对部分数据的传输大小和效率也有较高的要求，普通的数据格式如 JSON 或者 XML 已经不能满足，因此决定采用 Google 推出的 Protocol Buffers 以达到数据高效传输。

本文将基于随手记团队的Protobuf应用实践，分享了Protobuf的技术原理、上手实战等（本篇要分享的是技术原理），希望对你有用。

学习交流：

- 移动端IM开发入门文章：《新手入门一篇就够：从零开发移动端IM》

- 开源IM框架源码：https://github.com/JackJiang2011/MobileIMSDK（备用地址点此）

（本文已同步发布于：http://www.52im.net/thread-4114-1-1.html）

2、系列文章

本文是系列文章中的第 8 篇，本系列总目录如下：

• 《IM通讯协议专题学习(一)：Protobuf从入门到精通，一篇就够！》
• 《IM通讯协议专题学习(二)：快速理解Protobuf的背景、原理、使用、优缺点》
• 《IM通讯协议专题学习(三)：由浅入深，从根上理解Protobuf的编解码原理》
• 《IM通讯协议专题学习(四)：从Base64到Protobuf，详解Protobuf的数据编码原理》
• 《IM通讯协议专题学习(五)：Protobuf到底比JSON快几倍？全方位实测！》
• 《IM通讯协议专题学习(六)：手把手教你如何在Android上从零使用Protobuf》（稍后发布..）
• 《IM通讯协议专题学习(七)：手把手教你如何在NodeJS中从零使用Protobuf》
• 《IM通讯协议专题学习(八)：金蝶随手记团队的Protobuf应用实践(原理篇)》（* 本文）
• 《IM通讯协议专题学习(九)：金蝶随手记团队的Protobuf应用实践(实战篇) 》（稍后发布..）

3、基本介绍

Protocol buffers 为 Google 提出的一种跨平台、多语言支持且开源的序列化数据格式。相对于类似的 XML 和 JSON，Protocol buffers 更为小巧、快速和简单。其语法目前分为proto2和proto3两种格式。

相对于传统的 XML 和 JSON， Protocol buffers 的优势主要在于：更加小、更加快。

对于自定义的数据结构，Protobuf 可以通过生成器生成不同语言的源代码文件，读写操作都非常方便。

假设现在有下面 JSON 格式的数据:

{

"id":1,

"name":"jojo",

"email":"123@qq.com",

}

使用 JSON 进行编码，得出byte长度为43的的二进制数据：

7b226964 223a312c 226e616d 65223a22 6a6f6a6f 222c2265 6d61696c 223a2231 32334071 712e636f 6d227d

如果使用 Protobuf 进行编码，得到的二进制数据仅有20个字节：

0a046a6f 6a6f1001 1a0a3132 33407171 2e636f6d

4、编码原理

相对于基于纯文本的数据结构如 JSON、XML等，Protobuf 能够达到小巧、快速的最大原因在于其独特的编码方式。《Protobuf从入门到精通，一篇就够！》对 Protobuf 的 Encoding 作了很好的解析。

例如：对于int32类型的数字，如果很小的话，protubuf 因为采用了Varint方式，可以只用 1 个字节表示。

5、Varint原理

Varint 中每个字节的最高位 bit 表示此 byte 是否为最后一个 byte 。1 表示后续的 byte 也表示该数字，0 表示此 byte 为结束的 byte。

例如数字 300 用 Varint 表示为 1010 1100 0000 0010：

▲ 图片源自《Protobuf从入门到精通，一篇就够！》

注意：需要注意解析的时候会首先将两个 byte 位置互换，因为字节序采用了 little-endian 方式。

但 Varint 方式对于带符号数的编码效果比较差。因为带符号数通常在最高位表示符号，那么使用 Varint 表示一个带符号数无论大小就必须要 5 个 byte（最高位的符号位无法忽略，因此对于 -1 的 Varint 表示就变成了 010001）。

Protobuf 引入了 ZigZag 编码很好地解决了这个问题。

6、ZigZag编码

关于 ZigZag 的编码方式，博客园上的一篇博文《整数压缩编码 ZigZag》做出了详细的解释。

 

ZigZag 编码按照数字的绝对值进行升序排序，将整数通过一个 hash 函数h(n) = (n<<1)^(n>>31)（如果是 sint64 h(n) = (n<<1)^(n>>63)）转换为递增的 32 位 bit 流。

关于为什么 64 的 ZigZag 为 80 01，《整数压缩编码 ZigZag》中有关于其编码唯一可译性的解释。

通过 ZigZag 编码，只要绝对值小的数字，都可以用较少位的 byte 表示。解决了负数的 Varint 位数会比较长的问题。

7、T-V and T-L-V

Protobuf 的消息结构是一系列序列化后的Tag-Value对。其中 Tag 由数据的 field 和 writetype组成，Value 为源数据编码后的二进制数据。

假设有这样一个消息:

message Person {

int32 id = 1;

string name = 2;

}

其中，id字段的field为1，writetype为int32类型对应的序号。编码后id对应的 Tag 为 (field_number << 3) | wire_type = 0000 1000，其中低位的 3 位标识 writetype，其他位标识field。

每种类型的序号可以从这张表得到:

需要注意，对于string类型的数据（在上表中第三行），由于其长度是不定的，所以 T-V的消息结构是不能满足的，需要增加一个标识长度的Length字段，即T-L-V结构。

8、反射机制

Protobuf 本身具有很强的反射机制，可以通过 type name 构造具体的 Message 对象。陈硕的文章《一种自动反射消息类型的 Google Protobuf 网络传输方案》中对 GPB 的反射机制做了详细的分析和源码解读。这里通过 protobuf-objectivec 版本的源码，分析此版本的反射机制。

陈硕对 protobuf 的类结构做出了详细的分析 —— 其反射机制的关键类为Descriptor类：

每个具体 Message Type 对应一个 Descriptor 对象。尽管我们没有直接调用它的函数，但是Descriptor在“根据 type name 创建具体类型的 Message 对象”中扮演了重要的角色，起了桥梁作用。

同时，陈硕根据 GPB 的 C++ 版本源代码分析出其反射的具体机制：DescriptorPool类根据 type name 拿到一个 Descriptor的对象指针，在通过MessageFactory工厂类根据Descriptor实例构造出具体的Message对象。

示例代码如下：

Message* createMessage(conststd::string& typeName)

{

  Message* message = NULL;

  constDescriptor* descriptor = DescriptorPool::generated_pool()->FindMessageTypeByName(typeName);

  if(descriptor)

  {

    constMessage* prototype = MessageFactory::generated_factory()->GetPrototype(descriptor);

    if(prototype)

    {

      message = prototype->New();

    }

  }

  returnmessage;

}

注意：

• 1）DescriptorPool 包含了程序编译的时候所链接的全部 protobuf Message types；
• 2）MessageFactory 能创建程序编译的时候所链接的全部 protobuf Message types。

9、以Protobuf-objectivec为例

在 OC 环境下，假设有一份 Message 数据结构如下：

message Person {

  string name = 1;

  int32 id = 2;

  string email = 3;

}

解码此类型消息的二进制数据：

Person *newP = [[Person alloc] initWithData:data error:nil];

这里调用了：

- (instancetype)initWithData:(NSData*)data error:(NSError**)errorPtr {

    return[selfinitWithData:data extensionRegistry:nilerror:errorPtr];

}

其内部调用了另一个构造器：

- (instancetype)initWithData:(NSData *)data

           extensionRegistry:(GPBExtensionRegistry *)extensionRegistry

                       error:(NSError **)errorPtr {

  if((self = [self init])) {

    @try {

      [self mergeFromData:data extensionRegistry:extensionRegistry];

          //...

    }

    @catch (NSException *exception) {

      //... 

    }

  }

  return self;

}

去掉一些防御代码和错误处理后，可以看到最终由mergeFromData:方法实现构造：

- (void)mergeFromData:(NSData*)data extensionRegistry:(GPBExtensionRegistry *)extensionRegistry {

  GPBCodedInputStream *input = [[GPBCodedInputStream alloc] initWithData:data]; //根据传入的`data`构造出数据流对象

  [selfmergeFromCodedInputStream:input extensionRegistry:extensionRegistry]; //通过数据流对象进行merge

  [input checkLastTagWas:0]; //校检

  [input release];

}

这个方法主要做了两件事：

• 1）通过传入的 data 构造GPBCodedInputStream对象实例；
• 2）通过上面构造的数据流对象进行 merge 操作。

GPBCodedInputStream负责的工作很简单，主要是把源数据缓存起来，并同时保存一系列的状态信息，例如size, lastTag等。

其数据结构非常简单：

typedef struct GPBCodedInputStreamState {

constuint8_t *bytes;

size_t bufferSize;

size_t bufferPos;

 

// For parsing subsections of an input stream you can put a hard limit on

// how much should be read. Normally the limit is the end of the stream,

// but you can adjust it to anywhere, and if you hit it you will be at the

// end of the stream, until you adjust the limit.

size_t currentLimit;

int32_t lastTag;

NSUIntegerrecursionDepth;

} GPBCodedInputStreamState;

 

@interface GPBCodedInputStream () {

@package

struct GPBCodedInputStreamState state_;

NSData *buffer_;

}

merge 操作内部实现比较复杂，首先会拿到一个当前 Message 对象的 Descriptor 实例，这个 Descriptor 实例主要保存 Message 的源文件 Descriptor 和每个 field 的 Descriptor，然后通过循环的方式对 Message 的每个 field 进行赋值。

Descriptor 简化定义如下：

@interfaceGPBDescriptor : NSObject<NSCopying>

@property(nonatomic, readonly, strong, nullable) NSArray<GPBFieldDescriptor*> *fields;

@property(nonatomic, readonly, strong, nullable) NSArray<GPBOneofDescriptor*> *oneofs; //用于 repeated 类型的 filed

@property(nonatomic, readonly, assign) GPBFileDescriptor *file;

@end

其中GPBFieldDescriptor定义如下：

@interface GPBFieldDescriptor () {

@package

 GPBMessageFieldDescription *description_;

 GPB_UNSAFE_UNRETAINED GPBOneofDescriptor *containingOneof_;

 

 SELgetSel_;

 SELsetSel_;

 SELhasOrCountSel_;  // *Count for map<>/repeated fields, has* otherwise.

 SELsetHasSel_;

}

其中GPBMessageFieldDescription保存了 field 的各种信息，如数据类型、filed 类型、filed id等。除此之外，getSel和setSel为这个 field 在对应类的属性的 setter 和 getter 方法。

mergeFromCodedInputStream:方法的简化版实现如下：

- (void)mergeFromCodedInputStream:(GPBCodedInputStream *)input

               extensionRegistry:(GPBExtensionRegistry *)extensionRegistry {

 GPBDescriptor *descriptor = [selfdescriptor]; //生成当前 Message 的`Descriptor`实例

 GPBFileSyntax syntax = descriptor.file.syntax; //syntax 标识.proto文件的语法版本 (proto2/proto3)

 NSUInteger startingIndex = 0; //当前位置

 NSArray *fields = descriptor->fields_; //当前 Message 的所有 fileds

 

 //循环解码

 for(NSUIntegeri = 0; i < fields.count; ++i) {

  //拿到当前位置的`FieldDescriptor`

     GPBFieldDescriptor *fieldDescriptor = fields[startingIndex];

     //判断当前field的类型

     GPBFieldType fieldType = fieldDescriptor.fieldType;

     if(fieldType == GPBFieldTypeSingle) {

       //`MergeSingleFieldFromCodedInputStream` 函数中解码 Single 类型的 field 的数据

       MergeSingleFieldFromCodedInputStream(self, fieldDescriptor, syntax, input, extensionRegistry);

       //当前位置+1

       startingIndex += 1;

     } else if(fieldType == GPBFieldTypeRepeated) {

        // ...

       // Repeated 解码操作

     } else{ 

       // ...

       // 其他类型解码操作

     }

  }  // for(i < numFields)

}

可以看到，descriptor在这里是直接通过 Message 对象中的方法拿到的，而不是通过工厂构造：

GPBDescriptor *descriptor = [self descriptor];

 

//`desciptor`方法定义

- (GPBDescriptor *)descriptor {

 return [[selfclass] descriptor];

}

这里的descriptor类方法实际上是由GPBMessage的子类具体实现的。

例如在Person这个消息结构中，其descriptor方法定义如下：

+ (GPBDescriptor *)descriptor {

 static GPBDescriptor *descriptor = nil;

 if(!descriptor) {

   static GPBMessageFieldDescription fields[] = {

     {

       .name = "name",

       .dataTypeSpecific.className = NULL,

       .number = Person_FieldNumber_Name,

       .hasIndex = 0,

       .offset = (uint32_t)offsetof(Person__storage_, name),

       .flags = GPBFieldOptional,

       .dataType = GPBDataTypeString,

     },

     //...

     //每个field都会在这里定义出`GPBMessageFieldDescription`

   };

   GPBDescriptor *localDescriptor = //这里会根据fileds和其他一系列参数构造出一个`Descriptor`对象

   descriptor = localDescriptor;

 }

 return descriptor;

}

接下来，在构造出 Message 的 Descriptor 后，会对所有的 fields 进行遍历解码。解码时会根据不同的fieldType调用不同的解码函数。

例如对于fieldType == GPBFieldTypeSingle，会调用 Single 类型的解码函数:

MergeSingleFieldFromCodedInputStream(self, fieldDescriptor, syntax, input, extensionRegistry);

MergeSingleFieldFromCodedInputStream内部提供了一系列宏定义，针对不同的数据类型进行数据解码。

#define CASE_SINGLE_POD(NAME, TYPE, FUNC_TYPE)                             \

   caseGPBDataType##NAME: {                                              \

     TYPE val = GPBCodedInputStreamRead##NAME(&input->state_);            \

     GPBSet##FUNC_TYPE##IvarWithFieldInternal(self, field, val, syntax);  \

     break;                                                               \

           }

#define CASE_SINGLE_OBJECT(NAME)                                           \

   caseGPBDataType##NAME: {                                              \

     idval = GPBCodedInputStreamReadRetained##NAME(&input->state_);      \

     GPBSetRetainedObjectIvarWithFieldInternal(self, field, val, syntax); \

     break;                                                               \

   }

 

     CASE_SINGLE_POD(Int32, int32_t, Int32)

  ...

 

#undef CASE_SINGLE_POD

#undef CASE_SINGLE_OBJECT

例如：对于int32类型的数据，最终会调用int32_t GPBCodedInputStreamReadInt32(GPBCodedInputStreamState *state);函数读取数据并赋值。

这里内部实现其实就是对于 Varint 编码的解码操作：

int32_t GPBCodedInputStreamReadInt32(GPBCodedInputStreamState *state) {

 int32_t value = ReadRawVarint32(state);

 return value;

}

在对数据解码完成后，拿到一个int32_t，此时会调用GPBSetInt32IvarWithFieldInternal进行赋值操作。

其简化实现如下：

void GPBSetInt32IvarWithFieldInternal(GPBMessage *self,

                                     GPBFieldDescriptor *field,

                                     int32_t value,

                                     GPBFileSyntax syntax) {

 

 //最终的赋值操作

 //此处`self`为`GPBMessage`实例

 uint8_t *storage = (uint8_t *)self->messageStorage_;

 int32_t *typePtr = (int32_t *)&storage[field->description_->offset];

 *typePtr = value;

 

}

其中typePtr为当前需要赋值的变量的指针。至此，单个 field 的赋值操作已经完成。

总结一下，在 protobuf-objectivec 版本中，反射机制中构建 Message 对象的流程大致为：

• 1）通过 Message 的具体子类构造其 Descriptor，Descriptor 中包含了所有 field 的 FieldDescriptor；
• 2）循环通过每个 FieldDescriptor 对当前 Message 对象的指定 field 赋值。

10、参考资料

[1] Protobuf 官方开发者指南（中文译版）

[2] Protobuf官方手册

[3] Why do we use Base64？

[4] The Base16, Base32, and Base64 Data Encodings

[5] Protobuf从入门到精通，一篇就够！

[5] 如何选择即时通讯应用的数据传输格式

[7] 强列建议将Protobuf作为你的即时通讯应用数据传输格式

[8] APP与后台通信数据格式的演进：从文本协议到二进制协议

[9] 面试必考，史上最通俗大小端字节序详解

[10] 移动端IM开发需要面对的技术问题（含通信协议选择）

[11] 简述移动端IM开发的那些坑：架构设计、通信协议和客户端

[12] 理论联系实际：一套典型的IM通信协议设计详解

[13] 58到家实时消息系统的协议设计等技术实践分享

（本文已同步发布于：http://www.52im.net/thread-4114-1-1.html）