IM通訊協議專題學習(八)：金蝶隨手記團隊的Protobuf應用實踐(原理篇)

Posted on 2023-01-28 16:57 Jack Jiang 閱讀(123) 評論(0) 編輯收藏

本文由金蝶隨手記技術團隊丁同舟分享。

1、引言

跟移動端IM中追求數據傳輸效率、網絡流量消耗等需求一樣，隨手記客戶端與服務端交互的過程中，對部分數據的傳輸大小和效率也有較高的要求，普通的數據格式如 JSON 或者 XML 已經不能滿足，因此決定采用 Google 推出的 Protocol Buffers 以達到數據高效傳輸。

本文將基于隨手記團隊的Protobuf應用實踐，分享了Protobuf的技術原理、上手實戰等（本篇要分享的是技術原理），希望對你有用。

學習交流：

- 移動端IM開發入門文章：《新手入門一篇就夠：從零開發移動端IM》
- 開源IM框架源碼：https://github.com/JackJiang2011/MobileIMSDK（備用地址點此）

（本文已同步發布于：http://www.52im.net/thread-4114-1-1.html）

2、系列文章

本文是系列文章中的第 8 篇，本系列總目錄如下：

《IM通訊協議專題學習(一)：Protobuf從入門到精通，一篇就夠！》
《IM通訊協議專題學習(二)：快速理解Protobuf的背景、原理、使用、優缺點》
《IM通訊協議專題學習(三)：由淺入深，從根上理解Protobuf的編解碼原理》
《IM通訊協議專題學習(四)：從Base64到Protobuf，詳解Protobuf的數據編碼原理》
《IM通訊協議專題學習(五)：Protobuf到底比JSON快幾倍？全方位實測！》
《IM通訊協議專題學習(六)：手把手教你如何在Android上從零使用Protobuf》（稍后發布..）
《IM通訊協議專題學習(七)：手把手教你如何在NodeJS中從零使用Protobuf》
《IM通訊協議專題學習(八)：金蝶隨手記團隊的Protobuf應用實踐(原理篇)》（* 本文）
《IM通訊協議專題學習(九)：金蝶隨手記團隊的Protobuf應用實踐(實戰篇) 》（稍后發布..）

3、基本介紹

Protocol buffers 為 Google 提出的一種跨平臺、多語言支持且開源的序列化數據格式。相對于類似的 XML 和 JSON，Protocol buffers 更為小巧、快速和簡單。其語法目前分為proto2和proto3兩種格式。

相對于傳統的 XML 和 JSON， Protocol buffers 的優勢主要在于：更加小、更加快。

對于自定義的數據結構，Protobuf 可以通過生成器生成不同語言的源代碼文件，讀寫操作都非常方便。

假設現在有下面 JSON 格式的數據:

{
"id":1,
"name":"jojo",
"email":"123@qq.com",
}

使用 JSON 進行編碼，得出byte長度為43的的二進制數據：

7b226964 223a312c 226e616d 65223a22 6a6f6a6f 222c2265 6d61696c 223a2231 32334071 712e636f 6d227d

如果使用 Protobuf 進行編碼，得到的二進制數據僅有20個字節：

0a046a6f 6a6f1001 1a0a3132 33407171 2e636f6d

4、編碼原理

相對于基于純文本的數據結構如 JSON、XML等，Protobuf 能夠達到小巧、快速的最大原因在于其獨特的編碼方式。《Protobuf從入門到精通，一篇就夠！》對 Protobuf 的 Encoding 作了很好的解析。

例如：對于int32類型的數字，如果很小的話，protubuf 因為采用了Varint方式，可以只用 1 個字節表示。

5、Varint原理

Varint 中每個字節的最高位 bit 表示此 byte 是否為最后一個 byte 。1 表示后續的 byte 也表示該數字，0 表示此 byte 為結束的 byte。

例如數字 300 用 Varint 表示為 1010 1100 0000 0010：

▲ 圖片源自《Protobuf從入門到精通，一篇就夠！》

注意：需要注意解析的時候會首先將兩個 byte 位置互換，因為字節序采用了 little-endian 方式。

但 Varint 方式對于帶符號數的編碼效果比較差。因為帶符號數通常在最高位表示符號，那么使用 Varint 表示一個帶符號數無論大小就必須要 5 個 byte（最高位的符號位無法忽略，因此對于 -1 的 Varint 表示就變成了 010001）。

Protobuf 引入了 ZigZag 編碼很好地解決了這個問題。

6、ZigZag編碼

關于 ZigZag 的編碼方式，博客園上的一篇博文《整數壓縮編碼 ZigZag》做出了詳細的解釋。

ZigZag 編碼按照數字的絕對值進行升序排序，將整數通過一個 hash 函數h(n) = (n<<1)^(n>>31)（如果是 sint64 h(n) = (n<<1)^(n>>63)）轉換為遞增的 32 位 bit 流。

關于為什么 64 的 ZigZag 為 80 01，《整數壓縮編碼 ZigZag》中有關于其編碼唯一可譯性的解釋。

通過 ZigZag 編碼，只要絕對值小的數字，都可以用較少位的 byte 表示。解決了負數的 Varint 位數會比較長的問題。

7、T-V and T-L-V

Protobuf 的消息結構是一系列序列化后的Tag-Value對。其中 Tag 由數據的 field 和 writetype組成，Value 為源數據編碼后的二進制數據。

假設有這樣一個消息:

message Person {
int32 id = 1;
string name = 2;
}

其中，id字段的field為1，writetype為int32類型對應的序號。編碼后id對應的 Tag 為 (field_number << 3) | wire_type = 0000 1000，其中低位的 3 位標識 writetype，其他位標識field。

每種類型的序號可以從這張表得到:

需要注意，對于string類型的數據（在上表中第三行），由于其長度是不定的，所以 T-V的消息結構是不能滿足的，需要增加一個標識長度的Length字段，即T-L-V結構。

8、反射機制

Protobuf 本身具有很強的反射機制，可以通過 type name 構造具體的 Message 對象。陳碩的文章《一種自動反射消息類型的 Google Protobuf 網絡傳輸方案》中對 GPB 的反射機制做了詳細的分析和源碼解讀。這里通過 protobuf-objectivec 版本的源碼，分析此版本的反射機制。

陳碩對 protobuf 的類結構做出了詳細的分析 —— 其反射機制的關鍵類為Descriptor類：

每個具體 Message Type 對應一個 Descriptor 對象。盡管我們沒有直接調用它的函數，但是Descriptor在“根據 type name 創建具體類型的 Message 對象”中扮演了重要的角色，起了橋梁作用。
同時，陳碩根據 GPB 的 C++ 版本源代碼分析出其反射的具體機制：DescriptorPool類根據 type name 拿到一個 Descriptor的對象指針，在通過MessageFactory工廠類根據Descriptor實例構造出具體的Message對象。

示例代碼如下：

Message* createMessage(conststd::string& typeName)
{
  Message* message = NULL;
  constDescriptor* descriptor = DescriptorPool::generated_pool()->FindMessageTypeByName(typeName);
  if(descriptor)
  {
    constMessage* prototype = MessageFactory::generated_factory()->GetPrototype(descriptor);
    if(prototype)
    {
      message = prototype->New();
    }
  }
  returnmessage;
}

注意：

1）DescriptorPool 包含了程序編譯的時候所鏈接的全部 protobuf Message types；
2）MessageFactory 能創建程序編譯的時候所鏈接的全部 protobuf Message types。

9、以Protobuf-objectivec為例

在 OC 環境下，假設有一份 Message 數據結構如下：

message Person {
  string name = 1;
  int32 id = 2;
  string email = 3;
}

解碼此類型消息的二進制數據：

Person *newP = [[Person alloc] initWithData:data error:nil];

這里調用了：

- (instancetype)initWithData:(NSData*)data error:(NSError**)errorPtr {
return[selfinitWithData:data extensionRegistry:nilerror:errorPtr];
}

其內部調用了另一個構造器：

- (instancetype)initWithData:(NSData *)data
           extensionRegistry:(GPBExtensionRegistry *)extensionRegistry
                       error:(NSError **)errorPtr {
  if((self = [self init])) {
    @try {
      [self mergeFromData:data extensionRegistry:extensionRegistry];
          //...
    }
    @catch (NSException *exception) {
      //...
    }
  }
  return self;
}

去掉一些防御代碼和錯誤處理后，可以看到最終由mergeFromData:方法實現構造：

- (void)mergeFromData:(NSData*)data extensionRegistry:(GPBExtensionRegistry *)extensionRegistry {
  GPBCodedInputStream *input = [[GPBCodedInputStream alloc] initWithData:data]; //根據傳入的`data`構造出數據流對象
  [selfmergeFromCodedInputStream:input extensionRegistry:extensionRegistry]; //通過數據流對象進行merge
  [input checkLastTagWas:0]; //校檢
  [input release];
}

這個方法主要做了兩件事：

1）通過傳入的 data 構造GPBCodedInputStream對象實例；
2）通過上面構造的數據流對象進行 merge 操作。

GPBCodedInputStream負責的工作很簡單，主要是把源數據緩存起來，并同時保存一系列的狀態信息，例如size, lastTag等。

其數據結構非常簡單：

typedef struct GPBCodedInputStreamState {
constuint8_t *bytes;
size_t bufferSize;
size_t bufferPos;

// For parsing subsections of an input stream you can put a hard limit on
// how much should be read. Normally the limit is the end of the stream,
// but you can adjust it to anywhere, and if you hit it you will be at the
// end of the stream, until you adjust the limit.
size_t currentLimit;
int32_t lastTag;
NSUIntegerrecursionDepth;
} GPBCodedInputStreamState;

@interface GPBCodedInputStream () {
@package
struct GPBCodedInputStreamState state_;
NSData *buffer_;
}

merge 操作內部實現比較復雜，首先會拿到一個當前 Message 對象的 Descriptor 實例，這個 Descriptor 實例主要保存 Message 的源文件 Descriptor 和每個 field 的 Descriptor，然后通過循環的方式對 Message 的每個 field 進行賦值。

Descriptor 簡化定義如下：

@interfaceGPBDescriptor : NSObject<NSCopying>
@property(nonatomic, readonly, strong, nullable) NSArray<GPBFieldDescriptor*> *fields;
@property(nonatomic, readonly, strong, nullable) NSArray<GPBOneofDescriptor*> *oneofs; //用于 repeated 類型的 filed
@property(nonatomic, readonly, assign) GPBFileDescriptor *file;
@end

其中GPBFieldDescriptor定義如下：

@interface GPBFieldDescriptor () {
@package
GPBMessageFieldDescription *description_;
GPB_UNSAFE_UNRETAINED GPBOneofDescriptor *containingOneof_;

SELgetSel_;
SELsetSel_;
SELhasOrCountSel_; // *Count for map<>/repeated fields, has* otherwise.
SELsetHasSel_;
}

其中GPBMessageFieldDescription保存了 field 的各種信息，如數據類型、filed 類型、filed id等。除此之外，getSel和setSel為這個 field 在對應類的屬性的 setter 和 getter 方法。

mergeFromCodedInputStream:方法的簡化版實現如下：
- (void)mergeFromCodedInputStream:(GPBCodedInputStream *)input
               extensionRegistry:(GPBExtensionRegistry *)extensionRegistry {
GPBDescriptor *descriptor = [selfdescriptor]; //生成當前 Message 的`Descriptor`實例
GPBFileSyntax syntax = descriptor.file.syntax; //syntax 標識.proto文件的語法版本 (proto2/proto3)
NSUInteger startingIndex = 0; //當前位置
NSArray *fields = descriptor->fields_; //當前 Message 的所有 fileds

//循環解碼
for(NSUIntegeri = 0; i < fields.count; ++i) {
  //拿到當前位置的`FieldDescriptor`
     GPBFieldDescriptor *fieldDescriptor = fields[startingIndex];
     //判斷當前field的類型
     GPBFieldType fieldType = fieldDescriptor.fieldType;
     if(fieldType == GPBFieldTypeSingle) {
       //`MergeSingleFieldFromCodedInputStream` 函數中解碼 Single 類型的 field 的數據
       MergeSingleFieldFromCodedInputStream(self, fieldDescriptor, syntax, input, extensionRegistry);
       //當前位置+1
       startingIndex += 1;
     } else if(fieldType == GPBFieldTypeRepeated) {
        // ...
       // Repeated 解碼操作
     } else{
       // ...
       // 其他類型解碼操作
     }
  } // for(i < numFields)
}

可以看到，descriptor在這里是直接通過 Message 對象中的方法拿到的，而不是通過工廠構造：

GPBDescriptor *descriptor = [self descriptor];

//`desciptor`方法定義
- (GPBDescriptor *)descriptor {
return [[selfclass] descriptor];
}

這里的descriptor類方法實際上是由GPBMessage的子類具體實現的。

例如在Person這個消息結構中，其descriptor方法定義如下：

+ (GPBDescriptor *)descriptor {
static GPBDescriptor *descriptor = nil;
if(!descriptor) {
   static GPBMessageFieldDescription fields[] = {
     {
       .name = "name",
       .dataTypeSpecific.className = NULL,
       .number = Person_FieldNumber_Name,
       .hasIndex = 0,
       .offset = (uint32_t)offsetof(Person__storage_, name),
       .flags = GPBFieldOptional,
       .dataType = GPBDataTypeString,
     },
     //...
     //每個field都會在這里定義出`GPBMessageFieldDescription`
   };
   GPBDescriptor *localDescriptor = //這里會根據fileds和其他一系列參數構造出一個`Descriptor`對象
   descriptor = localDescriptor;
}
return descriptor;
}

接下來，在構造出 Message 的 Descriptor 后，會對所有的 fields 進行遍歷解碼。解碼時會根據不同的fieldType調用不同的解碼函數。

例如對于fieldType == GPBFieldTypeSingle，會調用 Single 類型的解碼函數:

MergeSingleFieldFromCodedInputStream(self, fieldDescriptor, syntax, input, extensionRegistry);
MergeSingleFieldFromCodedInputStream內部提供了一系列宏定義，針對不同的數據類型進行數據解碼。
#define CASE_SINGLE_POD(NAME, TYPE, FUNC_TYPE)                             \
   caseGPBDataType##NAME: {                                              \
     TYPE val = GPBCodedInputStreamRead##NAME(&input->state_);            \
     GPBSet##FUNC_TYPE##IvarWithFieldInternal(self, field, val, syntax); \
     break;                                                               \
           }
#define CASE_SINGLE_OBJECT(NAME)                                           \
   caseGPBDataType##NAME: {                                              \
     idval = GPBCodedInputStreamReadRetained##NAME(&input->state_);      \
     GPBSetRetainedObjectIvarWithFieldInternal(self, field, val, syntax); \
     break;                                                               \
   }

     CASE_SINGLE_POD(Int32, int32_t, Int32)
  ...

#undef CASE_SINGLE_POD
#undef CASE_SINGLE_OBJECT

例如：對于int32類型的數據，最終會調用int32_t GPBCodedInputStreamReadInt32(GPBCodedInputStreamState *state);函數讀取數據并賦值。

這里內部實現其實就是對于 Varint 編碼的解碼操作：

int32_t GPBCodedInputStreamReadInt32(GPBCodedInputStreamState *state) {
int32_t value = ReadRawVarint32(state);
return value;
}

在對數據解碼完成后，拿到一個int32_t，此時會調用GPBSetInt32IvarWithFieldInternal進行賦值操作。

其簡化實現如下：

void GPBSetInt32IvarWithFieldInternal(GPBMessage *self,
                                     GPBFieldDescriptor *field,
                                     int32_t value,
                                     GPBFileSyntax syntax) {

//最終的賦值操作
//此處`self`為`GPBMessage`實例
uint8_t *storage = (uint8_t *)self->messageStorage_;
int32_t *typePtr = (int32_t *)&storage[field->description_->offset];
*typePtr = value;

}

其中typePtr為當前需要賦值的變量的指針。至此，單個 field 的賦值操作已經完成。

總結一下，在 protobuf-objectivec 版本中，反射機制中構建 Message 對象的流程大致為：