神奇的Google二進(jìn)制編解碼技術(shù)：Protobuf
計算機(jī)網(wǎng)絡(luò)編程中一個非常基本的問題：該怎樣表示client與server之間交互的數(shù)據(jù)，在往下看之前先想一想這個問題。
共識與協(xié)議
這個問題可不像看上去的那樣簡單，因為client進(jìn)程和server進(jìn)程運(yùn)行在不同的機(jī)器上，這些機(jī)器可能運(yùn)行在不同的處理器平臺、可能運(yùn)行在不同的操作系統(tǒng)、可能是由不同的編程語言編寫的，server要怎樣才能識別出client發(fā)送的是什么數(shù)據(jù)呢？就像這樣：
client給server發(fā)送了一段數(shù)據(jù)：
0101000100100001server怎么能知道該怎樣“解讀”這段數(shù)據(jù)呢？
顯然，client和server在發(fā)送數(shù)據(jù)之前必須首先達(dá)成某種關(guān)于怎樣解讀數(shù)據(jù)的共識，這就是所謂的協(xié)議。
這里的協(xié)議可以是這樣的：“將每8個比特為一個單位解釋為無符號數(shù)字”，如果協(xié)議是這樣的，那么server接收到這串二進(jìn)制后就會將其解析為81(01010001)與33(00100001)。
當(dāng)然，這里的協(xié)議也可以是這樣的：“將每8個比特為一個單位解釋為ASCII字符”，那么server接收到這串二進(jìn)制后就將其解析為“Q!”。
可見，同樣一串二進(jìn)制在不同的“上下文/協(xié)議”下有完全不一樣的解讀，這也是為什么計算機(jī)明明只認(rèn)知0和1但是卻能處理非常復(fù)雜任務(wù)的根本原因，因為一切都可以編碼為0和1，同樣的我們也可以從0和1中解析出我們想要的信息，這就是所謂的編解碼技術(shù)。
實際上不止0和1，我們也可以將信息編碼為摩斯密碼(Morse code)等，只不過計算機(jī)擅長處理0和1而已。
扯遠(yuǎn)了，回到本文的主題。
遠(yuǎn)程過程調(diào)用：RPC
作為程序員我們知道，client以及server之間不會簡單傳遞一串?dāng)?shù)字以及字符這樣簡單，尤其在互聯(lián)網(wǎng)大廠后端服務(wù)這種場景下。
當(dāng)我們在電商App搜索商品、打車App呼叫出租車以及刷短視頻時，每一次請求的背后在后端都涉及大量服務(wù)之間的交互，就像這樣：
完成一次客戶端請求gateway這個服務(wù)要調(diào)用N多個下游服務(wù)，所謂調(diào)用是說A服務(wù)向B服務(wù)發(fā)送一段數(shù)據(jù)（請求），B服務(wù)接收到這段數(shù)據(jù)后執(zhí)行相應(yīng)的函數(shù)，并將結(jié)果返回給A服務(wù)。
只不過對于服務(wù)A來說并不想關(guān)心網(wǎng)絡(luò)傳輸這樣的底層細(xì)節(jié)，如果能像調(diào)用本地函數(shù)一樣調(diào)用遠(yuǎn)程服務(wù)就好了，這就是所謂的RPC，經(jīng)典的實現(xiàn)方式是這樣的：
RPC對上層提供和普通函數(shù)一樣的接口，只不過在實現(xiàn)上封裝了底層復(fù)雜的網(wǎng)絡(luò)通信，RPC框架是當(dāng)前互聯(lián)網(wǎng)后端的基石之一，很多所謂互聯(lián)網(wǎng)后端的職位無非就是在此基礎(chǔ)之上堆業(yè)務(wù)邏輯。
本文我們不關(guān)心其中的細(xì)節(jié)，這里我們只關(guān)心在網(wǎng)絡(luò)層client是怎樣對請求參數(shù)進(jìn)行編碼、server怎樣對請求參數(shù)進(jìn)行解碼的，也就是本文開頭提出的問題。
信息的編解碼
在思考怎樣進(jìn)行編解碼之前我們必須意識到：
client和server可能是用不同語言編寫的，你的編解碼方案必須通用且不能和語言綁定
編解碼方法的性能問題，尤其是對時間要求苛刻的服務(wù)
首先，我們最應(yīng)該能想到的就是以純文本的形式來表示。
純文本從來都是一種非常有友好的信息載體，為什么？很簡單，因為人類(我們)可以直接看懂，就像這段：
{
"widget": {
"window": {
"title": "Sample Konfabulator Widget",
"name": "main_window",
"width": 500,
"height": 500
},
"image": {
"src": "Images/Sun.png",
"name": "sun1",
"hOffset": 250,
"vOffset": 250,
},
}
}
是不是很清晰，一目了然，只要我們實現(xiàn)約定好文本的結(jié)構(gòu)(也就是語法)，那么client和server就能利用這種文本進(jìn)行信息的編碼以及解碼，不管client和server是運(yùn)行在x86還是Arm、是32位的還是64位的、運(yùn)行在Linux上還是windows上、是大端還是小端，都可以無障礙交流。
因此在這里，文本的語法就是一種協(xié)議。
順便說一句，你都規(guī)定好了文本的語法，實際上就相當(dāng)于發(fā)明了一種語言。
這里用來舉例用的語言就是所謂的Json，只不過json這種語言不是用來表示邏輯(代碼)而是用來存儲數(shù)據(jù)的。
Json就是這個老頭提出來的：
除了Json，另一種利用文本存儲數(shù)據(jù)的表示方法是XML，來一段感受下：
<note>
<to>Tove</to>
<from>Jani</from>
<heading>Reminder</heading>
<body>Don't forget me this weekend!</body>
</note>
相對Json來說是不是就沒那么容易看懂了，Json出現(xiàn)后在web領(lǐng)域逐漸取代了XML。
當(dāng)兩段數(shù)據(jù)量很少的時候——就像瀏覽器和服務(wù)端的交互，Json可以工作的非常好，這個場景就是這里：
在這里是json的天下。
但對于后端服務(wù)之間的交互來說就不一樣了，后端服務(wù)之間的RPC調(diào)用可能會傳輸大量數(shù)據(jù)，如果全部用純文本的形式來表示數(shù)據(jù)那么不管是網(wǎng)絡(luò)帶寬還是性能可能都會差強(qiáng)人意。
在這種場景下，Json并不是最好的選項，主要原因之一就在于性能以及數(shù)據(jù)的體積。
我們知道，文本表示對人類是最友好的，對機(jī)器來說則不是這樣，對機(jī)器來說最好的還是01二進(jìn)制。
那么有沒有二進(jìn)制的編碼方法嗎？答案是肯定的，這就是當(dāng)前互聯(lián)網(wǎng)后端中流行的protobuf，Google公司開源項目。
那么protobuf有什么神奇之處嗎？
假設(shè)client端想給server端傳輸這樣一段信息：“我有一個id，其值為43”，那么在XML下是這樣表示的：
<id>43</id>
數(shù)一數(shù)這這段數(shù)據(jù)占據(jù)了多少字節(jié)，很顯然是11字節(jié)；
而如果用json來表示呢？
{"id":43}
數(shù)一數(shù)這段數(shù)據(jù)占據(jù)了多少字節(jié)，顯然是9字節(jié)；
而如果用protobuf來表示呢? 是這樣的：
// 消息定義
message Msg {
optional int32 id = 1;
}
// 實例化
Msg msg;
msg.set_id(43);
其中Msg的定義看上去比Json和XML更加復(fù)雜了，但這些只是給人看的，這些還會被protbuf進(jìn)一步處理，最終被編碼為：
082b也就是0x08與0x2b，這占據(jù)了多少字節(jié)呢？答案是2字節(jié)。
從json的9字節(jié)到protobuf的2字節(jié)，數(shù)據(jù)大小減少了4倍多，數(shù)據(jù)量的減少意味著：
- 更少的網(wǎng)絡(luò)帶寬
- 更快的解析速度
那么protobuf是怎樣做到這一點(diǎn)的呢？
protobuf是怎樣實現(xiàn)的？
首先，我們來思考最簡單的情況，該怎樣表示數(shù)字。
你可能會想這還不簡單，統(tǒng)一用固定長度，比如用64個比特(8字節(jié))，這種方法可行，但問題是不論一個數(shù)字有多小，比方2，那么用這種方法表示2也需要占據(jù)64個比特(8字節(jié))：
明明只要一個字節(jié)就能表示而我們卻用了8個，前面的全都是0，這也太奢侈太浪費(fèi)了吧。
顯然，在這里我們不能使用固定長度來表示數(shù)字，而需要使用變長方法來表示。
什么叫變長？意思是說如果數(shù)字本身比較大，那么其使用的比特位可以較多，但如果數(shù)字很小那么就應(yīng)該使用較少的比特位來表示，這就叫變長，隨機(jī)應(yīng)變，不死板。
那怎樣變長呢？
我們規(guī)定：對于每一個字節(jié)來說，第一個比特位如果是1那么表示接下來的一個比特依然要用來解釋為一個數(shù)字，如果第一個比特為0，那么說明接下來的一個字節(jié)不是用來表示該數(shù)字的。
也就是說對于每個8個比特(1字節(jié))來說，它的有效載荷是7個比特，第一個比特僅僅用來標(biāo)記是否還應(yīng)該把接下來的一個字節(jié)解析為數(shù)字。
根據(jù)這個規(guī)定假設(shè)來了這樣一串01二進(jìn)制：
1010110000000010根據(jù)規(guī)定，我們首先取出第一個字節(jié)，也就是：
10101100此時我們發(fā)現(xiàn)第一個比特位是1，因此我們知道接下來的一個字節(jié)也屬于該數(shù)字，將當(dāng)前字節(jié)的1去掉就是：
0101100然后我們看下一個字節(jié)：
00000010我們發(fā)現(xiàn)第一個bit為0，因此我們知道下一個字節(jié)不屬于該數(shù)字了。
接下來我們將解析到的0101100(第一個字節(jié)去掉第一個比特位)以及第二個字節(jié)0000010(第二個字節(jié)去掉第一個比特位)翻轉(zhuǎn)之后拼接到一起，這里之所以翻轉(zhuǎn)是因為我們規(guī)定數(shù)字的高位在后。
這個過程就是：
1010110000000010
-> 10101100 | 00000010 // 解析得到兩個字節(jié)
_ _
-> 0101100 | 0000010 // 各自去掉最高位
-> 0000010 | 0101100 // 兩個字節(jié)翻轉(zhuǎn)順序
0000010 + 0101100
-> 100101100 // 拼接
最后我們得到了100101100，這一串二進(jìn)制表示數(shù)字300。
這種數(shù)字的變長表示方法在protobuf中被稱之為varint。
因此在這種表示方法下，如果數(shù)字較大，那么使用的比特就多，如果數(shù)字較小那么使用比特就少，聰明吧。
有的同學(xué)看到這里可能會問題，剛才講解的方法只能表示無符號數(shù)字，那么有符號數(shù)字該怎么表示呢？比如-2該怎么表示？
有符號數(shù)的表示
按照剛才變長編碼的思想，-2147483646使用的比特位應(yīng)該比-2要少。
然而我們知道在計算機(jī)世界中負(fù)數(shù)使用補(bǔ)碼表示的，也就是說最高位(最左側(cè)的比特位)一定是1，假設(shè)我們使用64位來表示數(shù)字，那么如果我們依然用補(bǔ)碼來表示數(shù)字的話那么無論這個負(fù)數(shù)有多大還是多小都需要占據(jù)10個字節(jié)的空間。
為什么是10個字節(jié)呢？
不要忘了varint每個字節(jié)的有效負(fù)荷是7個比特，那么對于需要64位表示的數(shù)字來說就需要64/7向上取整也就是10個字節(jié)來表示。
這顯然不能滿足我們對數(shù)字變長存儲的要求。
該怎么解決這個問題呢？
既然無符號數(shù)字可以方便的進(jìn)行變長編碼，那么我們將有符號數(shù)字映射稱為無符號數(shù)字不就可以了，這就是所謂的ZigZag編碼，是不是很聰明，就像這樣：
原始信息 編碼后
0 0
-1 1
1 2
-2 3
2 4
-3 5
3 6
... ...
2147483647 4294967294
-2147483648 4294967295
這樣我們就可以將有符號數(shù)字轉(zhuǎn)為無符號數(shù)字，接收方接收到該數(shù)據(jù)后再恢復(fù)出有符號數(shù)字。
現(xiàn)在數(shù)字的問題徹底解決了，但這僅僅是萬里長征第一步。
字段名稱與字段類型
對于任何一個有用的信息都包含這樣幾部分：
- 字段名稱
- 字段類型
- 字段值
就像C/C++中定義變量時：
int i = 100;
在這里，字段名稱就是i，字段類型是int，字段值是100。
剛才我們用varint以及ZigZag編碼解決了字段值表示的問題，那么該怎樣表示字段名稱和字段類型呢？
首先，對于字段類型還比較簡單，因為字段類型就那么多，protobuf中定義了6種字段類型：
對于6種字段類型我們使用3個比特位來表示就足夠了。
接下來比較有趣的是字段名稱該怎么表示呢？假設(shè)我們需要傳遞這樣一個字段：
int long_long_name = 100;
那么我們真的需要把“l(fā)ong_long_name”這么多字符通過網(wǎng)絡(luò)傳遞給對端嗎？
既然通信雙方需要協(xié)議，那么“l(fā)ong_long_name”這字段其實是client和server都知道的，它們唯一不知道的就是“哪些值屬于哪些字段”。
為解決這個問題，我們給每個字段都進(jìn)行編號，比如通信雙方都知道“l(fā)ong_long_name”這個字段的編號是2，那么對于：
int long_long_name = 100;
這個信息我們只需要傳遞：
- 字段名稱：2 (2對應(yīng)字段“l(fā)ong_long_name”)
- 字段類型：0 (0表示varint類型，參見上圖)
- 字段值：100
所以我們可以看到，無論你用多么復(fù)雜的字段名稱也不會影響編碼后占據(jù)的空間，字段名稱根本就不會出現(xiàn)在編碼后的信息中，so clever。
從宏觀上看
我們已經(jīng)在protobuf中看到了數(shù)字以及字段名稱以及字段類型是怎么表示了，現(xiàn)在是時候從宏觀角度來看看多個字段該怎么編碼了。
從本質(zhì)上講，protobuf被編碼后形成一系列的key-value，每個key-value對應(yīng)一個proto中的字段。
也就是鍵值對：
其中value比較簡單，也就是字段值；而字段名稱和字段類型會被拼接成key，protobuf中共有6種類型，因此只需要3個比特位即可；字段名稱只需要存儲對應(yīng)的編號，這樣可以就可以這樣編碼：
(字段編號 << 3) | 字段類型
假設(shè)server接收到了一個key為0x08，其二進(jìn)制的表示為：
0000 1000
由于key也是利用varint編碼的，因此需要將第一個比特位去掉，這樣我的得到：
000 1000
根據(jù)key的編碼方式，其后三個比特位表示字段類型，即：
000也就是0，這樣我們知道該key的類型是Varint(第0號類型)，而字段編號為抹掉后3個比特位的值，即：
0001這樣，我們就知道了該key對應(yīng)的字段編號為1，得到編號我們就能根據(jù)編號找到對應(yīng)的編號名稱。
嵌套數(shù)據(jù)
與Json和XML類似，protobuf中也支持嵌套消息，就像這樣：
message SubMsg {
optional int32 id = 1;
}
message Msg {
optional SubMsg msg = 1;
}
其實現(xiàn)也比較簡單，這依然遵循被編碼后形成一系列的key-value，只不過對于嵌套類型的key來說，其value是由子消息的key-value組成。
protobuf與編譯語言
與Json一樣，protobuf也是一門語言，兼具了文本的可讀性以及二進(jìn)制的高效。
protobuf之所以能做到這一點(diǎn)就好比C語言與機(jī)器指令。
C語言是給程序員看的，可讀性好，而機(jī)器指令是給硬件使用的，性能好，編譯器會將C語言程序轉(zhuǎn)為機(jī)器可執(zhí)行的機(jī)器指令。
而protobuf也一樣，protobuf也是一門語言，會將可讀性較好的消息編碼為二進(jìn)制從而可以在網(wǎng)絡(luò)中進(jìn)行傳播，而對端也可以將其解碼回來。
在這里protobuf中定義的消息就好比C語言，編碼后的二進(jìn)制消息就好比機(jī)器指令。
而protobuf作為事實上語言必然有自己的語法，其語法就是這樣：
怎么樣，還覺得編譯原理沒什么用嗎？
不理解編譯原理是不可能發(fā)明protobuf這種技術(shù)的。
總結(jié)
我在寫這篇文章時不斷感嘆，Google的這項技術(shù)節(jié)省了多少程序員的時間，同時我們也能看到這種基石般的技術(shù)依賴的底層原理卻非常古老：
- 信息的編解碼
- 編譯原理
怎么樣，這些是不是遠(yuǎn)遠(yuǎn)沒有IT界各種流行的技術(shù)聽上去時髦有趣，而正是這種樸素的技術(shù)支撐起了工業(yè)界，現(xiàn)在你也應(yīng)該能明白底層技術(shù)的重要性了吧。
