[转] Protobuf高效结构化数据存储格式
从公司的项目源码中看到了这个东西，觉得挺好用的，写篇博客做下小总结。下面的操作以C++为编程语言，protoc的版本为libprotoc 3.2.0。
一、Protobuf？
1. 是什么？
Google Protocol Buffer(简称 Protobuf)是一种轻便高效的结构化数据存储格式，平台无关、语言无关、可扩展，可用于通讯协议和数据存储等领域。
2. 为什么要用？
- 平台无关，语言无关，可扩展；
- 提供了友好的动态库，使用简单；
- 解析速度快，比对应的XML快约20-100倍；
- 序列化数据非常简洁、紧凑，与XML相比，其序列化之后的数据量约为1/3到1/10。
3. 怎么安装？
源码下载地址： https://github.com/google/protobuf
安装依赖的库： autoconf automake libtool curl make g++ unzip
安装：
1 $ ./autogen.sh 2 $ ./configure 3 $ make 4 $ make check 5 $ sudo make install
二、怎么用？
1. 编写proto文件
首先需要一个proto文件，其中定义了我们程序中需要处理的结构化数据：
1 // Filename: addressbook.proto
2
3 syntax="proto2";
4 package addressbook;
5
6 import "src/help.proto"; //举例用，编译时去掉
7
8 message Person {
9 required string name = 1;
10 required int32 id = 2;
11 optional string email = 3;
12
13 enum PhoneType {
14 MOBILE = 0;
15 HOME = 1;
16 WORK = 2;
17 }
18
19 message PhoneNumber {
20 required string number = 1;
21 optional PhoneType type = 2 [default = HOME];
22 }
23
24 repeated PhoneNumber phone = 4;
25 }
26
27 message AddressBook {
28 repeated Person person_info = 1;
29 }
2. 代码解释
// Filename: addressbook.proto 这一行是注释，语法类似于C++
syntax="proto2"; 表明使用protobuf的编译器版本为v2，目前最新的版本为v3
package addressbook; 声明了一个包名，用来防止不同的消息类型命名冲突，类似于 namespace
import "src/help.proto"; 导入了一个外部proto文件中的定义，类似于C++中的 include 。不过好像只能import当前目录及当前目录的子目录中的proto文件，比如import父目录中的文件时编译会报错（Import "../xxxx.proto" was not found or had errors.），使用绝对路径也不行，尚不清楚原因，官方文档说使用 -I=PATH 或者 --proto_path=PATH 来指定import目录，但实际实验结果表明这两种方式指定的是将要编译的proto文件所在的目录，而不是import的文件所在的目录。（哪位大神若清楚还请不吝赐教！）
message 是Protobuf中的结构化数据，类似于C++中的类，可以在其中定义需要处理的数据
required string name = 1; 声明了一个名为name，数据类型为string的required字段，字段的标识号为1
protobuf一共有三个字段修饰符：
- required：该值是必须要设置的；
- optional ：该字段可以有0个或1个值（不超过1个）；
- repeated：该字段可以重复任意多次（包括0次），类似于C++中的list；
使用建议：除非确定某个字段一定会被设值，否则使用optional代替required。
string 是一种标量类型，protobuf的所有标量类型请参考文末的标量类型列表。
name 是字段名，1 是字段的标识号，在消息定义中，每个字段都有唯一的一个数字标识号，这些标识号是用来在消息的二进制格式中识别各个字段的，一旦开始使用就不能够再改变。
标识号的范围在：1 ~ 229 - 1，其中[19000－19999]为Protobuf预留，不能使用。
Person 内部声明了一个enum和一个message，这类似于C++中的类内声明，Person外部的结构可以用 Person.PhoneType 的方式来使用PhoneType。当使用外部package中的结构时，要使用 pkgName.msgName.typeName 的格式，每两层之间使用'.'来连接，类似C++中的"::"。
optional PhoneType type = 2 [default = HOME]; 为type字段指定了一个默认值，当没有为type设值时，其值为HOME。
另外，一个proto文件中可以声明多个message，在编译的时候他们会被编译成为不同的类。
3. 生成C++文件
protoc是proto文件的编译器，目前可以将proto文件编译成C++、Java、Python三种代码文件，编译格式如下：
1 protoc -I=$SRC_DIR --cpp_out=$DST_DIR /path/to/file.proto
上面的命令会生成xxx.pb.h 和 xxx.pb.cc两个C++文件。
4. 使用C++文件
现在编写一个main.cc文件：
1 #include <iostream>
2 #include "addressbook.pb.h"
3
4 int main(int argc, const char* argv[])
5 {
6 addressbook::AddressBook person;
7 addressbook::Person* pi = person.add_person_info();
8
9 pi->set_name("aut");
10 pi->set_id(1219);
11 std::cout << "before clear(), id = " << pi->id() << std::endl;
12 pi->clear_id();
13 std::cout << "after clear(), id = " << pi->id() << std::endl;
14 pi->set_id(1087);
15 if (!pi->has_email())
16 pi->set_email("autyinjing@126.com");
17
18 addressbook::Person::PhoneNumber* pn = pi->add_phone();
19 pn->set_number("021-8888-8888");
20 pn = pi->add_phone();
21 pn->set_number("138-8888-8888");
22 pn->set_type(addressbook::Person::MOBILE);
23
24 uint32_t size = person.ByteSize();
25 unsigned char byteArray[size];
26 person.SerializeToArray(byteArray, size);
27
28 addressbook::AddressBook help_person;
29 help_person.ParseFromArray(byteArray, size);
30 addressbook::Person help_pi = help_person.person_info(0);
31
32 std::cout << "*****************************" << std::endl;
33 std::cout << "id: " << help_pi.id() << std::endl;
34 std::cout << "name: " << help_pi.name() << std::endl;
35 std::cout << "email: " << help_pi.email() << std::endl;
36
37 for (int i = 0; i < help_pi.phone_size(); ++i)
38 {
39 auto help_pn = help_pi.mutable_phone(i);
40 std::cout << "phone_type: " << help_pn->type() << std::endl;
41 std::cout << "phone_number: " << help_pn->number() << std::endl;
42 }
43 std::cout << "*****************************" << std::endl;
44
45 return 0;
46 }
5. 常用API
protoc为message的每个required字段和optional字段都定义了以下几个函数（不限于这几个）：
1 TypeName xxx() const; //获取字段的值 2 bool has_xxx(); //判断是否设值 3 void set_xxx(const TypeName&); //设值 4 void clear_xxx(); //使其变为默认值
为每个repeated字段定义了以下几个：
1 TypeName* add_xxx(); //增加结点 2 TypeName xxx(int) const; //获取指定序号的结点，类似于C++的"[]"运算符 3 TypeName* mutable_xxx(int); //类似于上一个，但是获取的是指针 4 int xxx_size(); //获取结点的数量
另外，下面几个是常用的序列化函数：
1 bool SerializeToOstream(std::ostream * output) const; //输出到输出流中 2 bool SerializeToString(string * output) const; //输出到string 3 bool SerializeToArray(void * data, int size) const; //输出到字节流
与之对应的反序列化函数：
1 bool ParseFromIstream(std::istream * input); //从输入流解析 2 bool ParseFromString(const string & data); //从string解析 3 bool ParseFromArray(const void * data, int size); //从字节流解析
其他常用的函数：
1 bool IsInitialized(); //检查是否所有required字段都被设值 2 size_t ByteSize() const; //获取二进制字节序的大小
官方API文档地址： https://developers.google.com/protocol-buffers/docs/reference/overview
6. 编译生成可执行代码
编译格式和普通的C++代码一样，但是要加上 -lprotobuf -pthread
1 g++ main.cc xxx.pb.cc -I $INCLUDE_PATH -L $LIB_PATH -lprotobuf -pthread
7. 输出结果
1 before clear(), id = 1219 2 after clear(), id = 0 3 ***************************** 4 id: 1087 5 name: aut 6 email: autyinjing@126.com 7 phone_type: 1 8 phone_number: 021-8888-8888 9 phone_type: 0 10 phone_number: 138-8888-8888 11 *****************************
三、怎么编码的？
protobuf之所以小且快，就是因为使用变长的编码规则，只保存有用的信息，节省了大量空间。
1. Base-128变长编码
- 每个字节使用低7位表示数字，除了最后一个字节，其他字节的最高位都设置为1；
- 采用Little-Endian字节序。
示例：
1 -数字1： 2 0000 0001 3 4 -数字300： 5 1010 1100 0000 0010 6 000 0010 010 1100 7 -> 000 0010 010 1100 8 -> 100101100 9 -> 256 + 32 + 8 + 4 = 300
2. ZigZag编码
Base-128变长编码会去掉整数前面那些没用的0，只保留低位的有效位，然而负数的补码表示有很多的1，所以protobuf先用ZigZag编码将所有的数值映射为无符号数，然后使用Base-128编码，ZigZag的编码规则如下：
1 (n << 1) ^ (n >> 31) or (n << 1) ^ (n >> 63)
负数右移后高位全变成1，再与左移一位后的值进行异或，就把高位那些无用的1全部变成0了，巧妙！
3. 消息格式
每一个Protocol Buffers的Message包含一系列的字段（key/value），每个字段由字段头（key）和字段体（value）组成，字段头由一个变长32位整数表示，字段体由具体的数据结构和数据类型决定。
字段头格式：
1 (field_number << 3) | wire_type 2 -field_number：字段序号 3 -wire_type：字段编码类型
4. 字段编码类型
| Type | Meaning | Used For |
| 0 | Varint | int32, int64, uint32, uint64, sint32, sint64, bool, enum |
| 1 | 64-bit | fixed64, sfixed64, double |
| 2 | Length-delimited | string, bytes, embedded messages（嵌套message）, packed repeated fields |
| 3 | Start group | groups (废弃) |
| 4 | End group | groups (废弃) |
| 5 | 32-bit | fixed32, sfixed32, float |
5. 编码示例（下面的编码以16进制表示）
1 示例1（整数）
2 message Test1 {
3 required int32 a = 1;
4 }
5 a = 150 时编码如下
6 08 96 01
7 08: 1 << 3 | 0
8 96 01:
9 1001 0110 0000 0001
10 -> 001 0110 000 0001
11 -> 1001 0110
12 -> 150
13
14 示例2（字符串）
15 message Test2 {
16 required string b = 2;
17 }
18 b = "testing" 时编码如下
19 12 07 74 65 73 74 69 6e 67
20 12: 2 << 3 | 2
21 07: 字符串长度
22 74 65 73 74 69 6e 67
23 -> t e s t i n g
24
25 示例3（嵌套）
26 message Test3 {
27 required Test1 c = 3;
28 }
29 c.a = 150 时编码如下
30 1a 03 08 96 01
31 1a： 3 << 3 | 2
32 03： 嵌套结构长度
33 08 96 01
34 ->Test1 { a = 150 }
35
36 示例4（可选字段）
37 message Test4 {
38 required int32 a = 1;
39 optional string b = 2;
40 }
41 a = 150, b不设值时编码如下
42 08 96 01
43 -> { a = 150 }
44
45 a = 150, b = "aut" 时编码如下
46 08 96 01 12 03 61 75 74
47 08 96 01 -> { a = 150 }
48 12： 2 << 3 | 2
49 03： 字符串长度
50 61 75 74
51 -> a u t
52
53 示例5（重复字段）
54 message Test5 {
55 required int32 a = 1;
56 repeated string b = 2;
57 }
58 a = 150, b = {"aut", "honey"} 时编码如下
59 08 96 01 12 03 61 75 74 12 05 68 6f 6e 65 79
60 08 96 01 -> { a = 150 }
61 12： 2 << 3 | 2
62 03： strlen("aut")
63 61 75 74 -> a u t
64 12： 2 << 3 | 2
65 05： strlen("honey")
66 68 6f 6e 65 79 -> h o n e y
67
68 a = 150, b = "aut" 时编码如下
69 08 96 01 12 03 61 75 74
70 08 96 01 -> { a = 150 }
71 12： 2 << 3 | 2
72 03： strlen("aut")
73 61 75 74 -> a u t
74
75 示例6（字段顺序）
76 message Test6 {
77 required int32 a = 1;
78 required string b = 2;
79 }
80 a = 150, b = "aut" 时，无论a和b谁的声明在前面，编码都如下
81 08 96 01 12 03 61 75 74
82 08 96 01 -> { a = 150 }
83 12 03 61 75 74 -> { b = "aut" }
四、还有什么？
1. 编码风格
- 花括号的使用(参考上面的proto文件)
- 数据类型使用驼峰命名法：AddressBook, PhoneType
- 字段名小写并使用下划线连接：person_info, email_addr
- 枚举量使用大写并用下划线连接：FIRST_VALUE, SECOND_VALUE
2. 适用场景
"Protocol Buffers are not designed to handle large messages."。protobuf对于1M以下的message有很高的效率，但是当message是大于1M的大块数据时，protobuf的表现不是很好，请合理使用。
总结：本文介绍了protobuf的基本使用方法和编码规则，还有很多内容尚未涉及，比如：反射机制、扩展、Oneof、RPC等等，更多内容需参考官方文档。
标量类型列表
| proto类型 | C++类型 | 备注 |
| double | double | |
| float | float | |
| int32 | int32 | 使用可变长编码，编码负数时不够高效——如果字段可能含有负数，请使用sint32 |
| int64 | int64 | 使用可变长编码，编码负数时不够高效——如果字段可能含有负数，请使用sint64 |
| uint32 | uint32 | 使用可变长编码 |
| uint64 | uint64 | 使用可变长编码 |
| sint32 | int32 | 使用可变长编码，有符号的整型值，编码时比通常的int32高效 |
| sint64 | int64 | 使用可变长编码，有符号的整型值，编码时比通常的int64高效 |
| fixed32 | uint32 | 总是4个字节，如果数值总是比总是比228大的话，这个类型会比uint32高效 |
| fixed64 | uint64 | 总是8个字节，如果数值总是比总是比256大的话，这个类型会比uint64高效 |
| sfixed32 | int32 | 总是4个字节 |
| sfixed64 | int64 | 总是8个字节 |
| bool | bool | |
| string | string | 一个字符串必须是UTF-8编码或者7-bit ASCII编码的文本 |
| bytes | string | 可能包含任意顺序的字节数据 |
参考资料
1. Protocol Buffers Developer Guide
2. Google Protocol Buffer 的使用和原理
3. 浅谈几种序列化协议
4. 序列化和反序列化
5. Protobuf使用手册
原文链接：
https://www.cnblogs.com/autyinjing/p/6495103.html
