Protobuf的高效编码

Google 在2008 年推出的 Protobuf，是一个针对具体编程语言的编解码工具。它面向Windows、Linux 等多种平台，也支持 Java、Python、Golang、C++、Javascript 等多种面向对象编程语言。使用 Protobuf 编码消息速度很快，消耗的 CPU 计算力也不多，而且编码后的字符流体积远远小于JSON 等格式，能够大量节约昂贵的带宽，因此gRPC也把Protobuf 作为底层的编解码协议。

然而，很多同学并不清楚 Protobuf 到底是怎样做到这一点的。这样，当你希望通过更换通讯协议这个高成本手段，提升整个分布式系统的性能时，面对可供选择的众多通讯协议，仅凭第三方的性能测试报告，你仍将难以作出抉择。

而且，面对分布式系统中的疑难杂症，往往需要通过分析抓取到的网络报文，确定到底是哪个组件出现了问题。可是由于 Protobuf 编码太过紧凑，即使对照着 Proto 消息格式文件，在不清楚编码逻辑时，你也很难解析出消息内容。

Protobuf是怎样压缩编码的呢

消息由多个名、值对组成，比如 HTTP 请求中，头部 Host: www.example.com 就是一个名值对，其中，Host 是字段名称，而 www.example.com 是字段值。我们先来看 Protobuf 如何编码字段名。

对于多达几十字节的HTTP 头部，HTTP/2 静态表仅用一个数字来表示，其中，映射数字与字符串对应关系的表格，被写死在HTTP/2实现框架中。这样的编码效率非常高，但通用的HTTP/2框架只能将61个最常用的 HTTP头部映射为数字，它能发挥出的作用很有限。

动态表可以让更多的 HTTP 头部编码为数字，在上一讲的例子中，动态表将 Host 头部减少了96% 的体积，效果惊人。但动态表生效得有一个前提: 必须在一个会话连接上反复传输完全相同的 HTTP 头部。如果消息字段在1个连接上只发送了1次，或者反复传输时字段总是略有变动，动态表就无能为力了。

有没有办法既使用静态表的预定义映射关系，又享受到动态表的灵活多变呢?其实只要把由HTTP/2 框架实现的字段名映射关系，交由应用程序自行完成即可。而 Protobuf 就是这么做的。比如下面这段39字节的JSON消息，虽然一目了然，字段名 name、id、sex 其实都是多余的，因为客户端与服务器的处理代码都清楚字段的含义。

json 复制代码

{"name" :"John" , "id" : 1234 , "sex" : "MALE"}

Protobuf 将这 3 个字段名预分配了 3 个数字，定义在 proto 文件中

ini 复制代码

message Person {
string name = 1;
uint32 id = 2;

SexType {
enumMALE =0;
FEMALE = 1;
}

SexType sex= 3;

接着，通过 protoc 程序便可以针对不同平台、编程语言，将它生成编解码类，最后通过类中自动生成的 SerializeToString 方法将消息序列化，编码后的信息仅有11 个字节。其中，报文与字段的对应关系我放在下面这张图中。

从图中可以看出，Protobuf 是按照字段名、值类型、字段值的顺序来编码的，由于编码极为紧凑，所以分析时必须基于二进制比特位进行。比如红色的 00001、00010、00011 等前5个比特位，就分别代表着 name、id、sex 字段。

图中字段值的编码方式我们后面再解释，这里想必大家会有疑问，如果只有 5个比特位表示字段名的值，那不是限制消息最多只有 31个(251)字段吗?当然不是，字段名的序号可以从1到536870911(即 229 1)，可是，多数消息不过只有几个字段，这意味着可以用很小的序号表示它们。因此，对于小于 16 的序号，Protobuf 仅有 5个比特位表示，这样加上3位值类型，只需要1个字节表示字段名。对于大于16 小于 2027 的序号，也只需要 2个字节表示。

Protobuf 可以用1到5个字节来表示一个字段名，因此，每个字节的第1个比特位保留，它为0时表示这是字段名的最后一个字节。下表列出了几种典型序号的编码值(请把黑色的二进制位，从右至左排列，比如 2049 应为 000100000000001，即2048+1)。

怎样高效地编码字段值?

Protobuf 对不同类型的值，采用6种不同的编码方式，如下表所示

字符串用 Length-delimited 方式编码，顾名思义，在值长度后顺序添加 ASCII 字节码即可比如上文例子中的John，对应的ASCII 码如下表所示:

这样，"John"需要 5个字节进行编码，如下图所示绿色表示长度，紫色表示ASCII 码)

这里需要注意，字符串长度的编码逻辑与字段名相同，当长度小于 128 (27)时，1个字节就可以表示长度。若长度从 128 到16384 (214)，则需要2个字节，以此类推。

由于字符串编码时未做压缩，所以并不会节约空间，但胜在速度快。如果你的消息中含有大量字符串，那么使用 Huffman 等算法压缩后再编码效果更好。

我们再来看id:1234 这个数字是如何编码的。其实 Protobuf 中所有数字的编码规则是一致的，字节中第1个比特位仅用于指示由哪些字节编码1个数字。例如图中的 1234，将由14个比特位 00010011010010 表示 (1024+128+64+16+2，正好是 1234)。

由于消息中的大量数字都很小，这种编码方式可以带来很高的空间利用率!当然，如果你确定数字很大，这种编码方式不但不能节约空间，而且会导致原先 4个字节的大整数需要用5个字节来表示时，你也可以使用 fixed32、fixed64 等类型定义数字。

Protobuf 还可以通过enum 枚举类型压缩空间。回到第1幅图，sex: FEMALE仅用2个字节就编码完成，正是枚举值 FEMALE 使用数字1表示所到的效果。

而且，由于 Protobuf 定义了每个字段的默认值，因此，当消息使用字段的默认值时Protobuf 编码时会略过该字段。以 sex: MALE 为例，由于MALE=O 是 sex 的默认值，因此在第2幅示例图中，这2个字节都省去了。

另外，当使用repeated 语法将多个数字组成列表时，还可以通过打包功能提升编码效率。比如下图中，对numbers 字段添加 101、102、103、104这4个值后，如果不使用打包功能，共需要8个字节编码，其中每个数字前都需要添加字段名。而使用打包功能后，仅用6个字节就能完成编码，显然列表越庞大，节约的空间越多。

在Protobuf2 版本中，需要显式设置[packed=True] 才能使用打包功能，而在 Protobuf3 版本中这是默认功能。