Protobuf 为啥比 JSON、XML 牛?
收录于 《深入微服务》
大家好,我是 “潇洒哥老苗”。
今天,我带大家更深层次的认识认识 Protobuf,如果你对 Protobuf 的用法还不熟悉,直接前往:http://developers.google.com/protocol-buffers/docs/proto3。
当对 Protobuf 有了基本的认识后,就会明白了 Protobuf 序列化的数据会比 JSON、XML 传输效率更高。
那为啥会高呢?本篇就带着这个问题一探究竟。
看表面
对于 JSON、XML,为了便于数据传输时的可阅读性,会保留数据的结构化信息,举个 JSON 例子,如下:
{
"name": "laomiao",
"age": 18
}
当发送该信息时,接受方收到后就会明白,这是个 “key/value” 形式的数据,并且"name" 后是姓名,"age" 后是年龄。
那如何压缩该数据呢?
我们可以删除 “花括号”、“name”、“age” 以及其它的 “冒号”、“逗号”、“引号” 等结构数据。
laomiao18
那这样删除了,接收方怎么知道,哪个是姓名?哪个是年龄?
删除 ”结构“
只需要发送方和接收方都保留这份数据的 ”结构“ 就行,发送方只发送数据,接收方接收到数据后,根据本地保留的 ”结构“ 去解析数据就 OK。
假设,该 "结构" 如下,这不是真实存在的,只是为了方便给大家描述。
{
name string 7
age int 1
}
通过该 ”结构“ 就可以知道:
- name 数据在 age 数据之前。
- name 数据类型为 string,age 数据类型为 int。
- name 数据字节长度为 7,age 数据字节长度为 1。
接收方只需要拿着这份 ”结构“ 就知道了 "laomiao18" 数据如何解析。
自描述
但这样还是有这些问题:
- name 数据如果超过 7 个字节怎么办?
- age 数据超过 1 个字节怎么办?
- 结构中的顺序不能调整,太死了,怎么办?
当然,发送方和接收方都更新下自己的 ”结构“ 数据,但这样显然不现实,因为数据你不能保证是固定长度。
对于 age 数据,我们可以定义为 4 个字节或 8 个字节,只要可以应对自己的业务即可。但这样还是有问题,空间浪费?
假如,age 定义为 4 个字节,传输的数据为 18,而对于 18 这个数字,只需要 1 个字节就足以了,而剩下 3 个字节都浪费着。但咱又不能定义为 1 个字节,因为有可能会有大数。
那如何压缩 age 数据呢?
对于 Protobuf,会在数据中加入解决以上问题的信息,即数据自己描述自己,简称 ”自描述“。
总结下 Protobuf 做了哪些?如下:
- 数据中加入 ”字段“ 顺序的信息。
- 数据中加入类型信息。
- 最小化压缩整形数据。
Protobuf
Protobuf 在序列化数据时,将 Protobuf 数据类型总共划分为 6 大类,英文称为 "wire type"。
wire type | proto 类型 | 含义 |
---|---|---|
0 | int32, int64, uint32, uint64, sint32, sint64, bool, enum | Varint |
1 | fixed64, sfixed64, double | 64-bit |
2 | string, bytes, embedded messages, packed repeated fields | Length-delimited |
3 | groups (废弃) | Start group |
4 | groups (废弃) | End group |
5 | fixed32, sfixed32, float | 32-bit |
"wire type" 中的 ”3“ 和 ”4“ 类型已废弃,这块不做讲解。
下来通过一个 message 信息展开说明,如下:
message HelloRequest {
string name = 1;
int32 num = 2;
float height = 3;
repeated int32 hobbies= 4;
}
这就好比我上面所说的 ”结构“,发送方和接收方就是通过该结构去解析数据。现在我们就针对上面留下的问题一一说明。
1. 类型和顺序
那传输的数据中如何保存 ”数据类型“ 和 ”顺序“?
数据类型对应到 "wire type",顺序对应到 ”field number“。假如 int32 num = 2
对应如下:
- wire type:0,通过上面表格对应。
- field number:2,字段后的唯一编码。
将这两个信息按照如下公式组装:
(field_number << 3) | wire_type
带入得:
(2 << 3) | 0
→ 16
2. Varint
对于 num 字段保存的数据如何如何压缩?假如 num 存储的数据为 300。按照 4 字节存储如下:
00000000 00000000 00000001 00101100
从结果可以看到,真实有效的数据只有 2 字节,为了压缩,面对不同的数据大小会占用不用的字节数。
那如何记录数据长度?我们可以再增加一个字节去记录真实数据所占用的实际字节数。对于 300 数据,增加一个字节记录长度,那下来和数据一块总共需要 3 个字节。那还有什么办法再减少字节数吗?
当然会有呀,不然我就说了一堆废话,咱继续。
请出 Varint 算法,过程如下:
- 将数据以 7 位为一组进行分割;
- 将组的顺序颠倒,即:将 ”高位 → 低位“ 规则,改为 ”低位 → 高位“;
- 识别每一组,如果该组后还有数据,就在该组前增加一位 ”1”,否则增加 “0”。
将数据 300 带入该算法,过程如下:
300: 00000000 00000000 00000001 00101100
→ 7 位分割:0000 0000000 0000000 0000010 0101100
→ 颠倒顺序:0101100 0000010 0000000 0000
→ 组前加 1/0:10101100 00000010
→ 十进制:172 2
按照这套算法下来,将数据压缩为 2 个字节存储。而接收方拿到字节数据后,只需要按照高位识别,如果为 0,说明之后没有数据了。
最终,对于 int32 num = 2
结构和数据 300,压缩后的结果为:
16 172 2
3. Length-delimited
现在说说 string name = 1
,该类型对应的 "wire type" 为 2,"field number" 为 2。记录 “顺序” 和 “类型” 方式和上面讲的一样。
重点说说数据如何记录,相比 Varint 算法,该类型就简单多了,只需要使用 Varint 算法记录数据的字节长度。
假如,name 的值为 "miao",最终结果为:
10 4 109 105 97 111
解释:
- 10:
(2 << 3) | 2
。 - 4:字符串长度。
- 之后:按照 "UTF-8" 编码保存。
对于 message 嵌套、repeated (数组或切片)、字节数组,也是按照该算法得到。
例如,repeated int32 hobbies= 4
,假设 hobbies 数据为 [10, 20]
,最终结果为:
34 2 10 20
4. 浮点数
针对浮点类型,就更简单了,浮点数据使用固定字节保存,记录 “顺序” 和 “类型” 依然是上面讲的。
假如,float height = 3
,该类型对应的 "wire type" 为 5,数据假设为 52.1,最终结果为:
29 102 102 80 66
解释:
- 29:
(3 << 3) | 5
。 - 之后:使用固定字节数 4。
如果使用了双精度,那对应的 "wire type" 为 1,数据占用字节数为 8。
5. sint32/sint64
这两个类型不知道你在写 proto 文件时有没有用到,明白这个很重要,不然有时候数据就不能起被到压缩的作用。
上面讲到的 Varint 算法中,我们知道了以 7 位一组,再增加一位 “识别位” 来起到压缩数据的作用。但存在一个问题,倘若存在负数时,那这种压缩方式就失效了。
至于为啥?如何解决的?
我先说结果,如果写 proto 文件时,设置的数据类型为 sint32 或 sint64 时,将采用 ZigZag 算法进行数据压缩。
ZigZag 算法我就不重复讲解了,直接看上一篇。
小结
学完本篇我们知道了 Protobuf 怎么做到了压缩数据。简单说下,就是删除一些没用的信息,采用自描述的方式记录 “类型”、“顺序”、“数据”。
而对于类型,只记录了 "wire type",该类型确定了数据的大概处理方式。
那说它就一定比 JSON、XML 好吗?也不是。
因为要采用 Protobuf 方式传输数据,发送方和接收方必须采用同一套结构规则,也可以说 “协议”。所以,如果想提高数据的阅读性,降低这种规则的配合,就可以使用 JSON、XML。
后面我会使用 Go 语言实现 Protobuf 序列化和反序列化的核心算法,只要这样我才觉得真的明白了该算法的真谛。
可持续关注该项目:http://github.com/miaogaolin/gofirst,该系列的所有代码往后都会加入进去。