protobuf序列化和反序列化原理

实现原理

序列化是如何实现的？

 Tag - Length - Value（标识 - 长度 - 字段值） 编码存储方式

• 以 标识 - 长度 - 字段值 表示每个字段，所有字段拼接成一个 字节流，从而 实现 编码存储 的功能

• 示意图

tag

uint32   ：  field_number << 3  |  wire type

例如：int64 sku_id = 1; 

tag生成：1 << 3 | 0 = 8

length

可选字段：目前只有类型2需要，例如字符串，length会存储字符串长度。

value

不同类型的value值会有不同的编码方式。下面对每种类型进行逐一讲解。

---

1 Wire Type = 0时的数据编码方式

采用了两种编码方式：Varint & Zigzag

1.1 Varint编码方式介绍

• 定义：一种变长的编码方式
• 原理：将数据按7个bit为一组进行分组， 每分组前加1bit标示是否有下一组数据

这样就可以用更少的字节表示数字，达到压缩的目的。

1. 采用 Varint编码，对于很小的 int32 类型 数字，则可以用 1个字节来表示
2. 虽然大的数字会需要 5 个 字节 来表示，但大多数情况下，消息都不会有很大的数字，所以采用 Varint方法总是可以用更少的字节数来表示数字

如何解析经过Varint 编码的字节

Varint 编码方式的不足

• 问题：如果采用 Varint编码方式 表示一个负数，那么一定需要 5 个 byte。

因为最高位bit是1，例如int32类型 -1:    100000000    00000000   00000000 00000001 ，使用varint编码 ceil(4*8/7) =  5

• 解决方案： protobuf会先采用 Zigzag 编码，再采用 Varint编码

1.2 Zigzag编码方式详解

• 定义：一种变长的编码方式
• 原理：使用 无符号数 来表示 有符号数字；
• 作用：使得绝对值小的数字都可以采用较少 字节 来表示；
• 实例说明：将 -2进行 Zigzag编码：

• Zigzag 编码 是补充 Varint编码在 表示负数 的不足，从而更好的帮助 Protocol Buffer进行数据的压缩
• 所以，如果提前预知字段值是可能取负数的时候，记得采用sint32 / sint64 数据类型

总结 : Protocol Buffer 通过Varint和Zigzag编码后大大减少了字段值占用字节数。

---

2 Wire Type = 1& 5时的编码&数据存储方式

固定用4/8个字节表示

3 Wire Type = 2时的 编码 & 数据存储方式

讲解三种数据类型：

• String类型
• 嵌套消息类型（Message）
• 通过packed修饰的 repeat 字段（即packed repeated fields）

3.1 String类型

字段值（即V） 采用UTF-8编码

• 例子：

message Test2
{
    required string str = 2;
}
 
// 将str设置为：testing
Test2.setStr（“testing”）
 
// 经过protobuf编码序列化后的数据以二进制的方式输出
// 输出为：18, 7, 116, 101, 115, 116, 105, 110, 103
 

3.2 嵌套消息类型（Message）

• 存储方式：T - L - V

内部消息编码的T - L -V组成外部消息的v

• 实例
  定义如下嵌套消息：

message Test2
{
    required string str = 1;
    required int32 id1 = 2；
}
 
message Test3 {
  required Test2 c = 1;
}
 
// 将Test2中的字段str设置为：testing
// 将Test2中的字段id1设置为：296
// 编码后的字节为：10 ，12 ，18，7，116, 101, 115, 116, 105, 110, 103，16，-88，2

3.3 通过packed修饰的 repeat 字段

repeated 修饰的字段有两种表达方式：

message Test
{
    repeated int32 Car = 4 ;
    // 表达方式1：不带packed=true
 
    repeated int32 Car = 4 [packed=true];
    // 表达方式2：带packed=true
    // proto 2.1 开始可使用
}
 
 
// 在代码中给`repeated int32 Car`附上3个字段值：3、270、86942
 
Test.setCar（3）；
Test.setCar（270）；
Test.setCar（86942）；

• 背景：，即数据类型 & 标识号都相同

• 问题：对于同一个 repeated字段、多个字段值来说，他们的Tag都是相同的，会导致Tag的冗余，即相同的Tag存储多次；

• 解决方案：采用带packed=true 的 repeated 字段存储方式，即将相同的 Tag 只存储一次、记一个长度Length字段 ：Tag - Length - Value -Value -Value。

通过采用带packed=true 的 repeated 字段存储方式，从而更好地压缩序列化后的数据长度。

特别注意

• packed修饰只用于基本类型的repeated字段
• 用在其他字段，编译 .proto 文件时会报错

总结

• protobuf编码/解码 方式简单，只需要简单的数学运算、位移等，序列化 & 反序列化速度很快
• protobuf采用了独特的编码方式，如Varint、Zigzag编码方式等等，采用T - L - V 的数据存储方式，数据存储得紧凑，数据压缩效果好

使用建议

根据上面的序列化原理分析，有以下使用建议：

• 建议1：字段标识号（Field_Number）尽量只使用 1-15，且不要跳动使用
  因为Tag里的Field_Number是需要占字节空间的。如果Field_Number>16时，Field_Number的编码就会占用2个字节，那么Tag在编码时也就会占用更多的字节；如果将字段标识号定义为连续递增的数值，将获得更好的编码和解码性能

• 建议2：若需要使用的字段值出现负数，请使用 sint32 / sint64，不要使用int32 / int64
  因为采用sint32 / sint64数据类型表示负数时，会先采用Zigzag编码再采用Varint编码，从而更加有效压缩数据

• 建议3：对于repeated字段，尽量增加packed=true修饰
  因为加了packed=true修饰repeated字段采用连续数据存储方式，即T - L - V - V -V方式

动态序列化

dbproxy类型请求

1. fs使用表名，sku_id访问dbproxy
2. dbproxy返回序列化的pb_str
3. fs反序列化得到pb，根据pb获取相应字段(sku_feature.par)

   message sku_feature {     int64 sku_id = 1;        int32 cid1 = 2;     float price = 3;     int32 cid2 = 4;     int32 cid3 = 5; }

   缺点：

• • 只能支持pb级别的请求粒度，例如：只需要cid1字段，返回的是这个序列化的pb
  • pb中增加一个字段，fs也需要代码层面修改pb文件，然后上线，比较繁琐。

能否支持字段粒度的请求级别？

feature storage类型请求

例如storage中 price=1.1， cid3=1

feature storage端:

fs端:

效果：

• • 支持字段级别的请求粒度，例如：只需要cid1字段，返回的序列化字符串中只包含cid1的内容
  • feature storage中增加一个字段，fs无需上线。

目前进展：

feature stoage端已经完全支持

fs的ufa插件还是通过pb来反序列化，现在正在去除pb逻辑，实现根据字段动态反序列化。

附：各种 Java 的序列化库的性能比较测试结果-51CTO.COM