序列化协议：Protobuf入门

偶然在网上清华大学电子系科协软件部2023暑期培训的内容中发现了这个东西，后面随着了解发现以后学习有关项目时会用到，便写个随笔记录一下这次学习的经历。作为一种序列化协议，与使用文本方式存储的xml、json不同，protobuf使用的是二进制格式进行存储，有利于在类似分布式LInux性能分析监控的项目中构建出整个项目的数据结构。

[零] 序列化与Protobuf

实际传输中，我们会面临各种问题，例如：

• 要传输的数据量很大，但其实有效的数据却不多 例如，传输下面这样一个数组：

  // 传递一个长整型数组
  long long arr[5] = {1, 2, 3, 4, 1000000000000}

• 要传输的的数据类型非常复杂，难以传递:

  // 传递一个结构体
   struct Bar	{
   	int integer;
   	std::string str;
   	float flt[100];
   };

那么我们如何正确而高效地进行这种传递呢？在发送端，我们需要使用一定的规则，将对象转换为一串字节数组，这就是序列化；在接收端，我们再以同样的规则将字节数组还原，这就是反序列化。

我们平时常见的文本序列化协议有 XML和JSON，这两种序列化协议在进行AI语料人工标注时很常见，可读性很好。但我们这里讲的protobuf却是一种可读性为零的协议——它使用二进制格式来进行数据的转储。

Google Protocol Buffer(简称 Protobuf)是一种轻便高效的结构化数据存储格式，平台无关、语言无关、可扩展，可用于通讯协议和数据存储等领域。

下面来看一个表格，来对比这三种序列化协议的差异。这里就不对XML和JSON做详细介绍了，建议先去学习一下。

	XML	JSON	Protobuf
数据存储	文本	文本	二进制
序列化存储消耗	大	较大	小（XML的1/3~1/10）
序列化/反序列化速度	慢	慢	快（XML的20-100倍）
数据类型	支持广泛的数据类型	支持基本的数据类型	需要通过message定义来指定数据类型
跨平台支持	支持	支持	支持

再来看一个小例子。我们需要传输一个结构体类型的数据，结构体如下：

struct Student {
	int id;
	std::string name;
}

使用XML序列化：

 <student>
   <id>101id>
   <name>helloname>
 student>

使用json序列化：

 {
  "id": 101,
  "name": "hello"
 }

使用Protobuf二进制序列化：

 08 65 12 06 48 65 6C 6C 6F 77

为什么要用 protobuf ？ Generated by GPT4.0.

1. 效率和性能： Protobuf是一种高效的二进制序列化格式，相比于其他文本格式（如JSON和XML），它具有更小的数据体积和更快的序列化/反序列化速度。这使得Protobuf在网络通信和数据存储方面表现出色，特别适合传输大量数据或需要高性能的场景。

2. 跨语言支持： Protobuf支持多种编程语言，包括C++、Java、Python等。通过定义通用的消息格式和服务接口，不同编程语言的应用程序可以相互通信和交换数据，实现跨平台和跨语言的互操作性。

3. 数据版本控制： Protobuf支持在数据结构发生变化时进行向前和向后兼容的数据版本控制。通过定义消息的字段编号而非字段名称，可以避免在数据结构演化时出现命名冲突或解析错误。这使得在应用程序升级和数据迁移时更加灵活和可靠。

4. 紧凑的数据格式： Protobuf使用二进制编码，将数据紧凑地表示为字节序列。相比于文本格式，二进制编码占用更少的存储空间，减少了网络传输的带宽消耗，并提高了数据传输的效率。

5. 自动生成代码： Protobuf使用定义数据结构的.proto文件，可以自动生成与编程语言相关的代码，包括消息类、序列化和反序列化方法等。这简化了开发过程，减少了手动编写和维护序列化代码的工作量。

6. 可扩展性： Protobuf支持向已定义的消息结构中添加新字段，而不会破坏已有的解析逻辑。这种可扩展性使得应用程序可以逐步演化和升级，而无需对整个数据结构进行全面修改。

GPT给我们介绍的优点会在后面我们对“如何使用 protobuf ”进行详细学习体现。

---

[一] Protobuf 安装

官方 C++ && CMake 版本安装文档—— C++ && CMake Protobuf Installation

进行学习时用的是C++，跟着上手搓一搓。注意Protobuf需要使用CMake进行编译安装，所以需要对CMake有一定的了解。

本机使用环境如下：

• Ubuntu 20.04.6 LTS
• cmake version 3.16.3
• git version 2.25.1
• 内核版本信息：Linux version 5.15.0-94-generic (buildd@lcy02-amd64-118)
• GNU编译工具：gcc (Ubuntu 9.4.0-1ubuntu1~20.04.2) 9.4.0, GNU ld (GNU Binutils for Ubuntu) 2.34

进行安装前，需要检查是否具备：CMake, Git, 以及 Abseil 库。（在这里我进行了Abseil的拉取源码自行安装，按照官方文档傻瓜式操作就行，比较简单。）

首先进行 protobuf 源码的获取：，要注意通过GitHub拉取源码时，要使用第三行的 git 命令进行子模块和 configure 文件生成检查。

git clone https://github.com/protocolbuffers/protobuf.git
cd protobuf
git submodule update --init --recursive

然后使用cmake进行构建。我这里没有完全按照官方文档那样直接在源码的根目录进行构建，而是采用了比较常见的“out of source”构建方法，即在源码根目录新建一个build目录用来存放构建文件。注意，protobuf使用了C++14及以上的语言标准，使用CMake编译时可能需要进行手动设定：

mkdir build && cd build
cmake .. -DCMAKE_CXX_STANDARD=14
# 注意线程数量与自己的机器线程数适配，不然编译时会爆内存
cmake --build . --parallel 4

（过程中碰到了virtual box虚拟机硬盘扩容的问题，搞了好久。。最后直接用GParted的GUI来搞定了）

接下来是进行测试：

 ctest --verbose

测试完成后就可以进行安装了：

 sudo cmake --install .

大功告成！！以上操作会将protoc可执行文件以及与 protobuf 相关的头文件、库安装至本机，在终端输入protoc，若输出提示信息则表示安装成功。

---

[二] 如何使用 Protobuf

官方英文学习文档：Protocol Buffers Documentation

我们接下来将围绕一个“地址簿”的应用例子。每个在地址簿上的人物都有名字、ID、电子邮箱和手机号码四个属性。

那么我们怎样去将这些结构化的数据进行序列化和反序列化呢？直接采用原始的raw二进制数据传输？太过fragile且扩展性太低；采用点对点定制的编码string传输？这种一次性的方法往往只在简单的数据传输中有效；采用大名鼎鼎的 XML ？空间消耗太大且 XML DOM树太过复杂了……

所以我们使用 protobuf！

protobuf是为传输数据服务的，它为我们提供了用来定义消息格式的语言工具，我们可以使用protobuf语言的语法来编写一个 .proto文件，并围绕这个文件展开代码的编写和数据的传输。在这里我们学习C++方面的使用，分为三个步骤逐步介绍。

2.1 编写.proto文件

我们需要先从一个.proto文件开始。我们为每一个想要进行序列化的结构化数据都创建一个message（其实message也是一种类似struct的结构体语法格式），并在message里面声明每一个field的名字和类型。

我们从例子入手去学习如何编写一个这样的文件。下面是地址簿应用的.proto文件示例：

// [START declaration]
syntax = "proto3";
package tutorial;
import "google/protobuf/timestamp.proto";
// [END declaration]
 
// [START messages]
message Person {
  string name = 1;
  int32 id = 2;  // Unique ID number for this person.
  string email = 3;
 
  enum PhoneType {
    MOBILE = 0;
    HOME = 1;
    WORK = 2;
  }
 
  message PhoneNumber {
    string number = 1;
    PhoneType type = 2;
  }
 
  repeated PhoneNumber phones = 4;
  // 引入在另一个.proto定义的消息类型
  google.protobuf.Timestamp last_updated = 5; 
}
 
// Our address book file is just one of these.
message AddressBook {
  repeated Person people = 1; // repeated类型字段（数组）
}
// [END messages]

2.1.1 语法

protobuf 有两个主要版本，分别为 proto2 和 proto3，两套语法不完全兼容。我们可以使用 syntax关键字指 定 protobuf 遵循的语法标准，如例子中使用的就是 proto3.

我们在这只记录一些简单但必要的proto3语法，详细还得查官方文档，这里只是做一个简单的备忘录的作用。proto2 的例子可以看这位博主的博文：Protobuf学习 - 入门，但我也会在下面列出的东东简略提到一下两个版本的差异。

• syntax 关键字必须为第一行非空非注释的行，用于指定protobuf版本，如果不指定则后面编译时会默认你为 proto2 。
• package 关键字为消息类型提供了命名空间的分隔，避免命名冲突。在这个例子中，所有的消息类型都属于名为 tutorial 的命名空间。
• import 关键字用来引入外部的 .proto文件。（只能import当前目录及子目录？）
• message是一个类似 struct的关键字，用来定义程序要传递的结构化消息类型，每一个字段都有自己的数据类型和字段名。
• 定义字段时，必须对字段赋值标识号（即每个数据字段后的 = 1, = 2 ……），并且有以下限制：
  • 标识号范围为 1 到 536,870,911 （0x1至0x3FFFFFFF）；
  • 每个标识号必须独一无二；
  • 19000 到 19999 的标识号是预留值，一旦使用编译时就会报warning；
  • 一旦定义好的消息类型开始使用，标识号就不能再更改，因为标识号 “it identifies the field in the message wire format.”
  • 为频繁访问的字段使用 1 - 15 的标识号，以节省编码空间消耗。
• enum 关键字定义枚举类型。每个枚举定义都必须包含一个映射到 0 的常量作为枚举的默认值，但后续值不再自动递增，每个值需要显式指定。如例子中从 MOBILE 开始。
• 简单数据类型有 bool, int32, float, double, 和 string. 除此之外，proto语法支持嵌套，即用自己定义的message来作为数据类型。如上面例子中，Person消息类型中嵌套了PhoneNumber消息类型，而 AddressBook消息类型中又嵌套了Person消息类型。
  • 数据类型与各个语言中的类型对应见文档：Scalar Value Types
  • 字段的默认值在proto3中不能手动指定，只能由系统根据字段类型决定（通常为零值或空值），同样见上面给出的文档链接。
• 前缀标签（字段规则）：proto3取消了proto2的required规则，只剩两种：singular（单数，相当于proto2的optional）和 repeated（重复）。
  • optional：有点像正则表达式中的 ?，表明该字段可以有0个或1个值，若不设置则为默认值，且编码时不会被编进去。
  • repeated：表明该字段可以重复任意多次（包括0次），即数组，顺序有序。如例子中的phones数组。
• 注释：采用 C/C++ 注释格式。

2.1.2 默认命名规则

• proto2中，默认情况下，字段、消息和枚举值的命名采用驼峰命名法（如myField、MyMessage、MY_ENUM）。
• proto3中，默认情况下，字段、消息和枚举值的命名采用下划线命名法（如my_field、My_Message、MY_ENUM）。

2.1.3 高级语法

Any

Any 类型是一种特殊的消息类型，它允许在没有.proto定义的情况下，可以将任意类型的数据包装成 Any 消息，并将其嵌入到其他消息类型中，这样可以将不同类型的数据存储在同一个字段中。

Any 消息类型的定义如下：

message Any {
  string type_url = 1;
  bytes value = 2;
}

• type_url：用于存储被包装数据的类型信息，唯一地标识了被封装的消息的类型。它是一个表示数据类型的URL字符串，通常遵循 "type.googleapis.com/_packagename_._messagename_ " 的格式，例如 "com.example.myapp.MyMessage"（即消息类型的全限定名，前面加上一个包名或域名的前缀）。通过类型URL，接收方可以识别出如何解析和处理被包装的数据。
• value：用于存储被包装的数据。它是一个字节数组，可以存储任意类型的数据，例如序列化的消息或其他二进制数据。

我们来看一个 Any 消息类型使用的例子。假设我们现在有一个电子商务平台，需要存储用户的订单信息，但每个订单的详细信息结构可能因不同商家自定义而不同。这时候我们可以使用 Any 消息类型来存储订单的详细信息。

首先定义一个通用的订单信息类型：

syntax = "proto3";
// 要使用 Any 消息类型，需要先import对应的any.proto
import "google/protobuf/any.proto";
 
message Order {
  string order_id = 1;
  google.protobuf.Any details = 2;
}

接下来，我们定义两个具体的订单详细信息类型：ProductOrder 和 ServiceOrder 。它们使用不同的消息类型来表示不同的订单信息：

// product.proto
message ProductOrder {
  string product_id = 1;
  int32 quantity = 2;
  // 其他与产品订单相关的字段
}
 
// service.proto
message ServiceOrder {
  string service_id = 1;
  // 其他与服务订单相关的字段
}

后面经过一系列的程序运行，我们可以得到一条这样的 Order 订单信息：

Order {
  order_id: "000001"
  details: Any {
    type_url: "type.googleapis.com/Product.ProductOrder"
    value: <可解析为ProductOrder类型的二进制数据>
  }
}

在这个例子中，我们将产品订单的详细信息序列化为字节数组，并将其赋值给 Any 消息类型的 value 字段。同时，我们指定了类型URL为 "type.googleapis.com/Product.ProductOrder" ，以便接收方能够正确解析和处理这个订单的详细信息。

Oneof

oneof 类型就像 C/C++ 中的 Union， 它包含的多个字段共享一段内存。protobuf 提供了 case() 和 WhichOneof() 两个API，用以检查 oneof 类型中哪个字段被赋值了。

message SampleMessage {
  oneof test_oneof {
    string name = 4;
    SubMessage sub_message = 9;
  }
}

对于两个proto版本之间的差异，proto2 支持 oneof 语法，用于指定一组互斥的字段，只能设置其中一个字段的值；而 proto3 仍然支持 oneof 语法，但是在proto3中，oneof 字段可以为空，也就是可以没有任何字段被设置。

有一些需要注意的特点：

• oneof 类型里面可以嵌套除了 map 和 repeated 的所有数据类型。如果你有着在 oneof 中加入 repeated 类型的需求，则可以用一个包含 repeated 类型的 message 来代替。

• 注意最后一次赋值会像 Union 那样覆盖之前的赋值（清空 oneof 中其它的字段）。

• oneof 类型不能通过 repeated 修饰。

• 在使用 C++ 进行编码时，特别注意内存管理问题：在给 oneof中的字段赋值时，可能会导致旧值被覆盖，并且如果没有适当地释放内存，可能会导致内存泄漏或非法内存访问。

Map

map 字段可以定义关联映射类型，即键值对类型。其定义语法如下：

map map_field = N;

其中 key_type 可以为任意整型或string类型（注意枚举类型并不归属在内），value_type 可以为任何除了 map 的数据类型。

如果你想定义一个以string类型为键，value为 Project 消息类型的 map映射，则如下：

map<string, Project> projects = 3;

很简单吧！map 也有一些特点：

• map 类型不能通过 repeated 修饰。
• 如果为 map 字段提供键但没有值，在序列化该字段时，其行为取决于编程语言。在C++、Java、Kotlin和Python中，将序列化该类型的默认值，而在其他语言中，则不会序列化任何内容。

不支持 map 类型的 protobuf 实现版本 可以这样手动实现对 map 的支持：

message MapFieldEntry {
  key_type key = 1;
  value_type value = 2;
}
repeated MapFieldEntry map_field = N;

除此之外，protobuf 中的高级语法还有很多，在这不做展开，可以去翻阅官方文档。

2.2 编译protobuf定义

在上一个步骤中，我们已经写好了一个 .proto 文件，接下来要做的就是根据这个 .proto 去生成一系列用于读写地址簿数据的类。

在这里要使用 protobuf 的编译器： protoc 。

如果本机环境中没有该编译器，在这里下载，按照 README 操作。

protoc 运行时，若无指定路径，则当前工作路径即为其默认路径；最简单的格式如下：

protoc -I=$SRC_DIR --cpp_out=$DST_DIR $SRC_DIR/xxx.proto

这条命令运行后，protoc 会编译生成两个文件：xxx.pb.h 和 xxx.pb.cc 。

2.3 使用 C++ protobuf API 读写消息

经过 protoc 编译后，我们就可以使用生成的类以及protobuf提供的API来进行愉快的程序编写了。

2.3.1 生成的类与 API

我们先来看生成的类要怎么用。protoc 采用了面向对象的思想，把转化的 C++ 类的声明和实现放到生成的两个文件中，这两个文件是很大的，硬读的话肯定不太行。下面是一些 protoc 在编译过程中的行为要点，简要分析了这些类和成员函数是个怎样的情况。

• 每个 message 都对应生成了一个类，每个字段都是类的成员变量；

• 每个字段都有自己的 accessors，如对于 .proto 例子中 Person 消息类型的 id, email, 和 phones 字段，生成的成员函数如下：

  // id
  inline bool has_id() const;
  inline void clear_id();
  inline int32_t id() const;
  inline void set_id(int32_t value);
   
  // email
  inline bool has_email() const;
  inline void clear_email();
  inline const ::std::string& email() const;
  inline void set_email(const ::std::string& value);
  inline void set_email(const char* value);
  inline ::std::string* mutable_email();
   
  // phones
  inline int phones_size() const;
  inline void clear_phones();
  inline const ::google::protobuf::RepeatedPtrField< ::tutorial::Person_PhoneNumber >& phones() const;
  inline ::google::protobuf::RepeatedPtrField< ::tutorial::Person_PhoneNumber >* mutable_phones();
  inline const ::tutorial::Person_PhoneNumber& phones(int index) const;
  inline ::tutorial::Person_PhoneNumber* mutable_phones(int index);
  inline ::tutorial::Person_PhoneNumber* add_phones();

  可以看到有 has_field 、 set_field 、 clear_field 这些成员函数，并且对于不同数据类型的字段，成员函数也会有增加/减少。如 string 类型的字段会有一个 mutable_field 的方法，用于直接获取指向字段存储字符串的指针。

• repeated 类型的字段没有 set_field 方法。它可以利用 field_size 方法来检查当前元素个数；利用元素下标获取/修改特定元素；利用 add_field 方法添加新的元素，该方法会创建一个未经设值的类型成员，并返回它的指针。

• .proto 中定义的枚举类型前加上外层的 message 名作为命名空间，如例子中的枚举类型生成为 Person::PhoneType，值为 Person::MOBILE、Person::HOME、Person::WORK。

• 对于嵌套在 message 里面的 子 message，如例子中的 PhoneNumber，实际在代码文件中它是与类 Person 分开定义的，类名为 Person_PhoneNumber（C++没有嵌套类定义，这里也没有用继承什么的），只不过 Person 定义域里面使用了它的别名：

  using PhoneNumber = Person_PhoneNumber;	// 使得看起来就像一个 nested class

对于整个 message 的数据，也有相应的成员函数来对其进行检查/操作。这些函数与 I/O 函数 共同构建起了 父类 Message 的接口。如 Person 类中：

• bool IsInitialized() const;: 检查是否所有字段都已经赋值；

• string DebugString() const;: 字面意义，返回可读性高的 message 字符串，用于debug；

• void CopyFrom(const Person& from);: 就是复制赋值函数，覆盖现有的数据。

• void Clear();: 全部字段值归零。

  更多信息见文档：complete API documentation for Message

最后当然是类中使用 protobuf binary 格式进行 message 读写的成员函数：

• bool SerializeToString(string* output) const;: 将 message 序列化到一个string中，注意string存储的是序列化后的二进制数据，而不是文本。

• bool ParseFromString(const string& data);: 解析函数，功能与上面函数相反。

• bool SerializeToOstream(ostream* output) const;: 序列化 message 数据后直接输出到指定的 ostream。

• bool ParseFromIstream(istream* input);: 以指定的 istream 作为二进制数据输入，进行反序列化解析。

  除此提供的更多序列化/反序列化函数，如与字节流配对的 SerializeToArray和 ParseFromArray，详细见文档。

2.3.2 写入 message

我们现在的第一个需求是能够将个人信息写入到地址簿中，这个过程包括信息输入、序列化、写入地址簿数据存储文件。

这里是官方的代码：add_person.cc

基本数据操作上面API讲得也差不多了，看一下代码里怎样运用即可。这里还有几点值得注意的：

• 善用 宏 GOOGLE_PROTOBUF_VERIFY_VERSION，来检查兼容性问题；

  int main(int argc, char* argv[]) {
    // Verify that the version of the library that we linked against is
    // compatible with the version of the headers we compiled against.
    GOOGLE_PROTOBUF_VERIFY_VERSION;

• 打开 fstream 时可以见到打开的方式为 ios::in | ios::binary，反序列化解析时是通过 ParseFromIstream() 直接将文件数据解析到 Address 类中；如下：

      // Read the existing address book.
      fstream input(argv[1], ios::in | ios::binary);
      if (!input) {
        cout << argv[1] << ": File not found.  Creating a new file." << endl;
      } else if (!address_book.ParseFromIstream(&input)) {
        cerr << "Failed to parse address book." << endl;
        return -1;
      }

  将 Address 类写回文件中同理，不过输出的 fstream 打开方式为 ios::out | ios::trunc | ios::binary。

• 最后使用 ShutdownProtobufLibrary() 来结束程序，不是很必要但是一个良好的习惯（特别对于C++）：

    // Optional:  Delete all global objects allocated by libprotobuf.
    google::protobuf::ShutdownProtobufLibrary();

2.3.3 读取 message

我们的第二个需求就是将地址簿中的所有人信息列举出来。

这里是官方的代码：list_people.cc

代码中可以看到对 repeated 类型数据的访问，确实是用下标来确认具体位置：

void ListPeople(const tutorial::AddressBook& address_book) {
	// select the person by index
    for (int i = 0; i < address_book.people_size(); i++) {
        const tutorial::Person& person = address_book.people(i);
 
    // ...
 
    // select the phone number by index
	for (int j = 0; j < person.phones_size(); j++) {
      const tutorial::Person::PhoneNumber& phone_number = person.phones(j);
 
      switch (phone_number.type()) {
		// ...
      }
      cout << phone_number.number() << endl;
    }
    if (person.has_last_updated()) {
      cout << "  Updated: " << TimeUtil::ToString(person.last_updated()) << endl;
    }
  }
}

其余注意地方基本和写入 message 时一样。

2.3.4 编译生成整个程序

现在我们有了 .proto 生成的 .h 和 .cc 类文件，还有了两个源程序代码文件，接下来要做的就是将它们编译链接了。

如果我们直接进行 g++ 编译：

g++ add_person.cc address.pb.cc

报大错！正确编译命令应该要加上包含的头文件路径以及需要链接的库：

g++ --std=c++14 main.cc xxx.pb.cc -I $INCLUDE_PATH -L $LIB_PATH

这里有很重要的点：

1. C++ 版本必须在 cpp14 及以上，这一点在安装 protobuf 也很明确了；
2. 对于需要包含的头文件位置和需要链接的库文件，一个个去尝试属实麻烦。用 pkg-config 帮忙查找！！

不妨看看官方给出的 Makefile 文件中是怎么做的：

c++ -std=c++14 add_person.cc addressbook.pb.cc -o add_person_cpp `pkg-config --cflags --libs protobuf`

它使用 pkg-config 将要链接的东西都链接进来了。（注意这个不是引号，而是 " ` " 号）

写入程序运行与存储的文件内容展示：

输出程序运行与结果展示：

---

[三] 本篇结语

OK！洋洋洒洒写了很多，但都是一些自己入门学习 protobuf 的心得，学习这些知识时看官方文档真的很必要！ :）

下一篇再打算学习一下为什么 protobuf 这么好，它里面到底有什么样的编码原理，不能成为只会调 API 的家伙哈哈……以及还有 gRPC 这种东西要学习呢……

参考资料：

• 官方文档：Protocol Buffers Documentation

• 前辈的博文：Protobuf学习 - 入门

• 清华暑期培训课程(文档在评论区）：清华大学电子系科协软件部2023暑期培训

（全文完）