古之立大事者,不惟有超世之才,亦必有坚忍不拔之志
-- 苏轼·《晁错论》
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
(本文完)