Protoc Buffer 优化传输大小的一个细节

Protoc Buffer 是我们比较常用的序列化框架，Protocol Buffer 序列化后的占空间小，传输高效，可以在不同编程语言以及平台之间传输。今天这篇文章主要介绍 Protocol Buffer 使用 VarInt32 减少序列化后的数据大小。

VarInt32 编码

VarInt32 (vary int 32)，即：长度可变的 32 为整型类型。一般来说，int 类型的长度固定为 32 字节。但 VarInt32 类型的数据长度是不固定的，VarInt32 中每个字节的最高位有特殊的含义。如果最高位为 1 代表下一个字节也是该数字的一部分。因此，表示一个整型数字最少用 1 个字节，最多用 5 个字节表示。如果某个系统中大部分数字需要 >= 4 字节才能表示，那其实并不适合用 VarInt32 来编码。下面以一个例子解释 VarInt32 的编码方式：

以 129 为例，它的二进制为 1000 0001 。由于每个字节最高位用于特殊标记，因此只能有 7 位存储数据。第一个字节存储最后 7 位 （000 0001），但并没有存下所有的比特，因此最高位置位 1，剩下的部分用后续字节表示。所以，第一个字节为：1000 0001第二个字节只存储一个比特位即可，因此最高位为 0 ，所以，第二个字节为：0000 0001这样，我们就不必用 4 字节的整型存储 129 ，可以节省存储空间

在 Protoc buffer 中，每一个 ProtoBuf 对象都有一个方法 public void writeDelimitedTo(final OutputStream output)，该方法将 ProtoBuf 对象序列化后的长度以及序列化数据本身写入到输出流 output 中。多个对象调用该方法可以将序列化后的数据写入到同一个输出流。由于每次写入都有长度，所以反序列化时先解析长度，在读取对应长度的字节数据，即可解析出每个对象。该方法中对序列化后长度的编码便使用 VarInt32，因为一个 Protobuf 对象序列化后的长度不会太大，因此使用 VarInt32 编码能够有效的节省存储空间。接下来我们看下 Protoc Buffer 中如何实现 VarInt32 编码，跟进 writeDelimitedTo 方法，可以看到 VarInt32 编码的源码如下：

  /*** Encode and write a varint.  {@code value} is treated as* unsigned, so it won't be sign-extended if negative.*/public void writeRawVarint32(int value) throws IOException {while (true) {if ((value & ~0x7F) == 0) {//代表只有低7位有值，因此只需1个字节即可完成编码
        writeRawByte(value);return;} else {writeRawByte((value & 0x7F) | 0x80);//代表编码不止一个字节，value & 0x7f 只取低 7 位，与 0x80 进行按位或（|）运算为了将最高位置位 1 ，代表后续字节也是改数字的一部分
        value >>>= 7;}}}

该方法对 int 类型的值进行 VarInt32 编码，可以验证最多 5 个字节即可完成编码。

VarInt32 解码

理解了编码后，解码就没什么可说的了。就是从输入字节流中，读取一个字节判断最高位，将真实数据位拼接成最终的数字即可。Hadoop RPC 中使用了 Protoc Buffer 作为数据序列化框架。其中，Hadoop 针对 writeDelimitedTo 方法实现了对 VarInt32 的解码。源码如下：

/*** Read a variable length integer in the same format that ProtoBufs encodes.* @param in the input stream to read from* @return the integer* @throws IOException if it is malformed or EOF.*/public static int readRawVarint32(DataInput in) throws IOException {byte tmp = in.readByte();if (tmp >= 0) {// tmp >= 0 代表最高位是 0 ，否则 tmp < 0 代表最高位是 1 ，需要继续往下读return tmp;}int result = tmp & 0x7f;if ((tmp = in.readByte()) >= 0) {result |= tmp << 7;} else {result |= (tmp & 0x7f) << 7;if ((tmp = in.readByte()) >= 0) {result |= tmp << 14;} else {result |= (tmp & 0x7f) << 14;if ((tmp = in.readByte()) >= 0) {result |= tmp << 21;} else {result |= (tmp & 0x7f) << 21;result |= (tmp = in.readByte()) << 28;if (tmp < 0) {//我们说 VarInt32 最多 5 个字节表示，当程序执行到这里，tmp < 0，说明，编码格式有问题// Discard upper 32 bits.for (int i = 0; i < 5; i++) {if (in.readByte() >= 0) {return result;}}throw new IOException("Malformed varint");}}}}return result;}

在 Hadoop 源码中并没有使用循环去解码，而是使用多个 if 条件判断，根据 tmp 的正负号来判断最高位是否是 1。如果读取的该数字用了 5 个字节编码，当读到了第 5 个字节，理论上 tmp 应该大于 0 。但是如果 tmp 小于 0 ，说明编码格式有问题。在 Hadoop 源码中程序会继续往下读，最多再向下读 5 个字节且丢掉最高位仍然 < 0 的字节。如果在该过程某个字节最高位为 0 ，便停止读取直接返回。这个处理逻辑在其他框架源码中也有出现。

看完 Hadoop 的源码，我们在看看 Protoc Buffer 自己提供的解析源码：

  /*** Like {@link #readRawVarint32(InputStream)}, but expects that the caller* has already read one byte.  This allows the caller to determine if EOF* has been reached before attempting to read.*/public static int readRawVarint32(final int firstByte, final InputStream input) throws IOException {if ((firstByte & 0x80) == 0) {return firstByte;}int result = firstByte & 0x7f;int offset = 7;for (; offset < 32; offset += 7) {final int b = input.read();if (b == -1) {throw InvalidProtocolBufferException.truncatedMessage();}result |= (b & 0x7f) << offset;if ((b & 0x80) == 0) {return result;}}// Keep reading up to 64 bits.for (; offset < 64; offset += 7) {final int b = input.read();if (b == -1) {throw InvalidProtocolBufferException.truncatedMessage();}if ((b & 0x80) == 0) {return result;}}throw InvalidProtocolBufferException.malformedVarint();}

可以看到 Protoc Buffer 自己提供的解码方式与 Hadoop 是一样的，包括遇到错误的编码时候的异常处理方式也是一样的。

小结

本篇文章主要介绍了 VarInt32 编解码，VarInt32 表示一个整型数字最少用 1 个字节，最多用 5 个字节。所以在传输数字大部分都比较小的场景下适合使用。当然，我们也可以用 VarInt64 来表示长整型的数字。在介绍 VarInt32 的同时我们也看到了 ProtoBuf 和 Hadoop 这样的框架在传输数据的优化上不放过任何一个细节，值得我们学习。

公众号「渡码」

转载于:https://www.cnblogs.com/duma/p/11111427.html