protobuf的编码规则

http://blog.csdn.net/goldenfish1919/article/details/6718820

 

protobuf的编码规则

分类： protobuf 2011-08-25 16:10  536人阅读  评论(1)  收藏  举报

原文： http://code.google.com/intl/zh-CN/apis/protocolbuffers/docs/encoding.html

看一个简单的mesage：
message Test1 {
  required int32 a = 1;
}
如果应用程序创建了一个Test1的对象，并把a赋值为150，那么protobuf会把它编码成这样三个字节：08 96 01。
这三个字节代表什么含义呢？

Base 128 Varints
protobuf使用一种叫做“Base 128 Varints”的编码方式，它使用一个或者多个字节来序列化一个整数，数字越小使用的字节数就越少。
具体来说就是：
除了最后一个字节之外的每一个字节的最高位置1，代表还没结束，后面还有更多的字节，最后一个字节的最高位置0，表明结束，
每个字节剩下的7位，是以二进制的补码，低字节序（ least significant group first）的形式表示。
以数字1为例，二进制是0000 0001，最高位是0代表后面没有更多的字节，剩下的7位代表1。
以数字300为例，它在“Base 128 Varints”规则下的表示形式是：1010 1100 0000 0010
第一个字节是 1010 1100，最高位是1，代表后面还有更多的字节，因此，第一个字节的内容是 010 1100
第二个字节是 0000 0010，最高位是0，代表后面没有更多的字节，因此，第二个字节的内容是 000 0010
因为是采用“低字节序”因此，实际的字节是：000 0010 010 1100 = 1 0010 1100 = 256 + 32 + 8 + 4 = 300

message的结构
protobuf的message是一连串的key/value对，二进制形式的message也是用key/value的形式，只不过，二进制形式的message的key是message里面的序号，value是message里面key和value的组合。接收端只有通过参考.proto才可以正确的解码。

当message被编码的时候，key和value一块写到二进制流里面，解码的时候，解析器能够跳过那些他不认识的field，用这种方式，新的filed可以添加到那些旧的不认识这些字段的程序的message里面，二进制形式的key实际上有两个部分组成，一部分是.proto文件里面的序号，另一部分是传输类型（wire type）。
传输类型：
Type|Meaning            | Used For 
-----------------------------------------------------------------------------------
0   | Varint                   | int32, int64, uint32, uint64, sint32, sint64, bool, enum 
-----------------------------------------------------------------------------------
1   | 64-bit                   | fixed64, sfixed64, double 
-----------------------------------------------------------------------------------
2   | Length-delimited  | string, bytes, embedded messages, packed repeated fields 
-----------------------------------------------------------------------------------
3   | Start group           | groups (deprecated) 
-----------------------------------------------------------------------------------
4   | End group            | groups (deprecated) 
-----------------------------------------------------------------------------------
5   | 32-bit                    |  fixed32, sfixed32, float 
-----------------------------------------------------------------------------------
二进制的key都是varint，值是field_number << 3) | wire_type，也就是说，后三位存储的是传输类型，前5位存储的是序号。
下面我们来看一下最开始的那个例子：08 96 01，因为在二进制流里面的第一个数字都是key，因此key就是08,二进制：0000 1000，
后三位是000，代表传输类型是0，前面的5位是0000 1就是数字1，代表在.proto文件里面的序号是1.
因此，通过传输类型知道后面传输的是Varint，通过序号知道在message里面的tag是1.
使用Base 128 Varints的解码方式，解码96 01，二进制：1001 0110  0000 0001
第一个字节是 1001 0110，最高位是1，代表后面还有更多的字节，因此，第一个字节的内容是 001 0110
第一个字节是 0000 0001，最高位是0，代表后面没有更多的字节，因此，第二个字节的内容是 000 0001
因为是采用“低字节序”因此，实际的字节是：000 0001 001 0110 = 1001 0110 = 128 + 16 + 4 + 2 = 150

更多的值的类型

有符号的整数
使用Base 128 Varints方式编码负数的时候，有符号的sint32，sint63 跟 标准的int32，int64有很大的不同。当负数用int32，int64表示的时候，varint编码以后总是占10个字节的长度，它是把这个负数当成了一个很大的正数来对待的，如果用sint32，sint64来表示的话，结果会用更高效的ZigZag方式进行编码。
ZigZag编码方式把有符号的整数映射成无符号的整数，因此，绝对值小的整数编码以后占的字节数就少，具体的编码规则：
对于sint32：(n << 1) ^ (n >> 31)
对于sint64：(n << 1) ^ (n >> 63)
注意：n右移31或63位以后就变为全0（正数）或全1（负数）

非变长的数字
double和fixed64的传输类型是1，使用固定的64位，float和fixed32的传输类型是5，使用固定的32位。都是使用低字节序（little-endian）。

字符串
传输类型是2代表：value使用varint编码的，传输类型后面紧跟的就是value所占的字节数。比如：
message Test2 {
  required string b = 2;
}
如果b的值是testing，编码以后就是：12 07 74 65 73 74 69 6e 67
key是12（16进制的数值）: 0001 0010，后三位010，是2，代表传输类型是2，前5位是2，代表序号是2.
长度是07，代表value的长度是7
74（16进制的数值）：代表的就是116，字母t。

message嵌套
现在有一个message，嵌套了message Test1：
message Test3 {
  required Test1 c = 3;
}
编码以后是： 1a 03 08 96 01
1a:0001 1010,后三位是010，传输类型是2.前5位是3，代表序号是3。
03：代表value的长度是3
08 96 01：跟Test1的表示方式是一样的。

可选和重复字段
如果message的字段是repeated，但是没有使用[pached=true]选项，编码以后的message就会有0个或者多个有相同tag的key/value对，这些相同tag的key/value对不需要连续出现，可以跟其他的字段交错，但是需要保持这些元素本身的前后顺序。
如果message的字段是repeated，编码以后可能出现也可能不出现。
一般情况下，编码以后的message的位二进制流里面，一个optional和required字段不应该出现多次，如果出现了，对于数字和字符串类型，只接受最后一个，对于嵌套message的字段，会合并多个实例的相同字段，就如同使用 Message::MergeFrom方法一样。具体来说：后面出现的标量field会替换前面出现的，嵌入的message继续合并，repeated字段会进行拼接。这么做的结果就是：拼接编码以后的message等价于先把message拼接然后再编码。

紧凑的重复字段
使用[packed=true]选项的repeated字段。0个元素的field不出现在编码以后的message里面，多个元素的field，会把所有的元素编码进单个的传输类型是2的key/value对里面。
每一个元素都按照普通的方式进行编码，只是没有前导的tag。比如说：
message Test4 {
  repeated int32 d = 4;
}
假如现在有一个Test4的对象，d的值是3, 270,86942。编码以后是：
22        // tag (field number 4, wire type 2)
06        // payload size (6 bytes)
03        // first element (varint 3)
8E 02     // second element (varint 270)
9E A7 05  // third element (varint 86942):
22：10 0010，后三位是010,传输类型是2，前5位是100，tag是4。
06：代表长度
03：3
8E 02：1000 1110 0000 0010，实际的值是：1 0000 1110，就是256 + 8 + 4 + 2 = 270
9E A7 05：1001 1110 1010 0111 0000 0101，实际值是：10101001110011110，就是：86942
[注意]只有基本的数字类型(varint, 32-bit, 或者64-bit) 才可以声明成packed。