序列化笔记之一：Google的Protocol Buffer格式分析

从公开介绍来看，ProtocolBuffer(PB)是google 的一种数据交换的格式，它独立于语言，独立于平台。作为一个学了多年通信的人，ProtocolBuffer在我看来是一种信源编码。所谓信源编码，就是将待传输的信源符号经过某种变换，转换成码流进行传输的这个变换过程。信源编码可分为两类：有损编码与无损编码，PB自然是属于无损编码，在无损编码中，又分为定长编码和变长编码，定长编码就是一个符号变换后的码字的比特长度是固定的，比如ASCII、Unicode都是定长编码，码字是8比特，16比特。变长编码则是将信源符号映射为不同的码字长度。典型的是Huffman编码。PB也属于这一类。

从另一个角度来看，也可以看做一种协议。无论如何，PB的信源就是整数、Float值、字符串等等程序设计中常见的变量，主要用于对象序列化。那么，如何记录一个对象的变量值呢？目前典型的格式有XML和JSON。这两种方式都有两个共同特点，即自描述特性以及文本描述。自描述是指变量名也包含在格式中。而PB则去除了这一条，同时采用二进制编码，通信底层的协议一般均为二进制，具有解析速度快、占用空间小的优点，缺点嘛，当然是缺乏可读性了。

我们来看看PB的格式是怎么设计的。

先考虑最简单的情况，要对一个整数值进行编码，怎么办？最简单的方式当然是直接把这个int值看作4字节，这4字节就作为整数的编码即可。不过这对于每个整数需要4个字节，PB于是考虑用变长编码，如果用变长编码的话，每个整数的编码长度可能不一样，如何区分边界呢？这是一个核心问题。

PB认为每个整数编码后还是整数个字节，但字节个数可能不同。整数个字节简化了一些设计，并将每个字节拿出1比特来作为边界的标记。一个字节有8比特，拿出最高位的那个比特MSB（Most Significant Bit）来，这个比特用于记录这个字节是否是编码结果的最后一个字节。如果等于1，则表示还没有到最后一个字节，否则表示到了最后一个字节，于是每个整数编码后的结果都是这样子：

0xxx xxxx表示某个整数编码后的结果是单个字节，因为MSB=0；

1xxx xxxx 0xxx xxxx表示某个整数编码后的结果是2个字节，因为前一个字节的MSB=1（编码结果未结束），后一个字节的MSB=0；

同理，三个字节、四个字节都用这种方法来表示边界。

边界弄好了，里面的内容就可以填了，xxxx这些内容填什么呢？就填整数的补码。至于什么是补码，到处都有资料。

举例：

0000 0001表示整数1；

1010 1100 0000 0010表示两个字节的结果，将两字节的MSB去掉为：0101100 0000010，PB对于多个字节的情况采用低字节优先，即后面的字节要放在高位，于是拼在一起的结果为：

00000100101100

表示300这个整数值。

整数的编码解决了，这只是一个很简单的例子，对于一个对象，里面包含多个多个变量，怎么编码呢？比如一个类的定义为：

class Test

{

int A;

float B;

string C;

double D;

}

在JSON等格式中，使用文本编码，看起来就很简单，比如：

{"A":"46","B":"13.45","C":"aaaa","D":"3.78"}

PB的设计者认为"A"，"B"，"C"等等这些变量名不应该包含在传输消息中，因为这个Test对象可能会被反复传输，每一次传输都要传输"A"，"B"，"C"这些标记，但实际上这些标记是不会变的，只有值会变，所以顶多传一次就行了，那么，PB的设计就换了一种思路，在通信双方都保持一份文档，记录了"A"，"B"，"C"的编号，比如：

"A"，"B"，"C"，“D”的编号分别为1、2、3、4。于是在序列化的时候，只需要传输下面的信息：

1:"46",2:"13.45",3:"aaaa",4:"3.78"

这个例子虽然看起来并不起眼，但是程序里面很多时候变量比较长，其实还是能节省很多空间的，只要把这个信息传过去，对方本身保留了一份编号文档，于是可以反序列化了。

那么，按照这种逻辑，是不是1、2、3、4这些编号都没必要传了，直接按照某种约定顺序发过去就行了不是也可以？对方照着顺序解码即可。

但PB还是保留了1、2、3、4这些编号信息，因为某些值可能为空，没必要传递过去，甚至在程序中，一个对象中的很多变量值其实都是缺省值，或者无所谓的值，只有一部分需要传递过去，这时候，就只需要传递一部分即可。而1、2、3、4这些编号都不记录的话，就必须所有的都传递过去，反而并不节省空间。

最终，PB采用了“编号+对应变量值”的这种形式来序列化。因为编号肯定是唯一的，所以这种形式其实就是一系列Key-Value对，Key就是编号，Value就是编号对应变量的值。

编码结果就呈现为：

Key 1的编码--Value 1的编码--Key 2的编码--Value 2的编码--。。。

因为Key都是整数，所以就利用我们前面看到的整数编码。因为Key都是从1、2、3、。。开始的，所以对小整数编码结果如何短的话，就能节省空间，从前面可以看出，小整数的编码结果确实短，比如大多数小整数只占一个字节。

并且上面的编码结果也能对Key记录边界（最后一个字节的MSB=0，前面的字节MSB=1），也就是说能够知道Key的长度。Key后面跟的就是Value，那么，Value也面临和Key一样的问题，首先也需要知道Value的结果有多长，是不是也采用类似的方法呢，这样就会有些难办。比如Value如果是一个字符串，可能很长，每个字节都拿出一比特来这么弄，浪费且不说，而且字符串本身就是一个一个字节的，完全被打乱了，解码的时候速度会降低。所以Value值最好一整个的放在一起。

怎么办呢？最简单的一种思路是，关于Value长度的指示可以放在Key和Value之间。因为长度本身也是一个整数，就用前面那种方法进行编码即可，在解码时，先得到Key，然后后面跟着Value的长度，解析得到Value长度后，再解析Value值。

这种思路的编码结果就呈现为下面的形式：

Key 1的编码--Value 1长度指示的编码--Value 1的编码--Key 2的编码--Value 2长度指示的编码--Value 2的编码--。。。。

能不能更加节省呢？PB更加高明之处就在于此。通过观察可以知道，在程序设计时，很多变量都是一个整数（int,int64等等），因为前面的编码已经可以对整数进行自己定界了，如果Value是整数，就无需长度指示了，岂不是浪费了？但不指示的话，怎么知道后面是个整数呢？

PB于是把Key增加了3个比特（没错，就是3比特），记录后面的Value的类型。Value的类型在PB中称为wire_type，用3比特表示。Key的形式就成为：

(Key << 3) | wire_type

即将Key左移3位，最后3比特表示Value的类型。将这一整个东西用前面的方式编码。

因为wire_type只有3比特，所以表示的信息是粗略的，主要有以下几种：

wire type=0，表示这个Value是一个变长整数（用前面那种方式编码），比如int32, int64, uint32, uint64, sint32, sint64, bool, enum；
wire type=1，表示这个Value是一个64位的数，比如fixed64, sfixed64, double，Value为64位，8字节；（注意，int64的wire type=0，整数是变长编码的）
wire type=2,表示string, bytes, embedded messages, packed repeated fields；（这些Value的长度需要在Key后面记录下来）
wire type=3，表示groups中的Start Group，就是有一组，3表示接下来的Value是第一组；
wire type=4，表示groups中的End group；
wire type=5,表示32位固定长度的fixed32, sfixed32, float
比如，08 96 01这三个字节，因为第一个字节（08）的MSB=0，即：
0000 1000，去除MSB为：0001000。
最后三位（000）表示wire type=0，说明后面的Value是一个Varint；

而前面的0001表示整数1，表示是编号为第1个的变量；
后面的96 01，写成二进制：
1001 0110 0000 0001
可以看出，前一个字节的MSB=1，后一个字节的MSB=0，是完整的，去除掉两个MSB：
0010110 0000001
因为低字节优先，于是串起来：00000010010110=150。
这样，08 96 01这三个字节就表示第一个变量值为整数150。

另一个例子：12 07 74 65 73 74 69 6e 67

12的二进制为0001 0010，因为MSB=0，所以是最后一个字节，去除MSB：0010010，后三位010表示wire type=2，前四位0010表示第2个变量。

因为wire type=2，表示Value是string, bytes等变长流。接下来的数记录了Value的长度。

07的二进制：0000 0111，因为MSB=0，所以是最后一个字节，其值为0000111，即为7，表示Value的长度为7:，也就是后面的7个字节：74 65 73 74 69 6e 67

这7个字节假如是string，则为“testing”（ASCII码）

于是知道，传递的是第二个变量，且值为“testing”。

如果上面的例子串起来：08 96 01 12 07 74 65 73 74 69 6e 67

就表示对象的第一个整数值为150，第二个变量的字符串为“testing”。

假如用JSON的话，就类似于这样：

{"IntFlag":"150","StringFlag":"testing"}

其中，IntFlag和StringFlag假定是类的变量名，可以看出，JSON使用了40个左右的字节，而PB使用了12个字节，如果这个对象被反复传递（大多数程序一般都是这样），则总体开销很小。

至此，PB的格式基本已分析完毕。