理解Protobuf的数据编码规则

之前用Google的Protobuf感觉真是个很好用的东西，于是抽时间研究了下他的数据的存储方式，以后可以扩展其他语言的解析器。其实与其说是研究，不如说是翻译。这些文档里都有，可能有些地方理解的不太对，还请见谅。

规则结构类型列表

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

Varint类型[动态整型]（type为0）

1. 每个字节第一位表示有无后续字节，有为1，无为0

2. 剩余7位倒序合并

举例: 300 的二进制为 10 0101100

第一位：1（有后续） + 0101100

第二位：0（无后续） + 0000010

最终结果： 101011000000010

Message 结构

1. 键值型结构（Key-Value）

2. 第一部分为Key值，Varint 结构

3. Key值的后三位表示规则类型的Type值，其他部分和为类型的数字编号

4. 后面紧跟value，value的值依据规则类型不同而不同

举例: required int32 a = 1; 当a值为150时

Key：0000 1000,类型为000，数字编号为0001

Value（Varint类型）：1001 0110 0000 0001

值解码： 000 0001 + 001 0110 = 10010110 = 150

sint32和sint64类型的编码（ZigZag）

对于sint32和sint64类型的编码采用ZigZag编码方式，最后一位表示正负情况，即如下：

原始值	编码为
0	0
-1	1
1	2
-2	3
2147483647	4294967294
-2147483648	4294967295

解码方式为：

1. 对sint32 -> (n << 1) ^ (n >> 31)

2. 对sint64 -> (n << 1) ^ (n >> 63)

其他非Varint的数字类型（type为1或5）

按小端字节序（little-endian）排布（低位字节排放在内存的低地址端，高位字节排放在内存的高地址端）

比如：0x1234ABCD 保存为 0xCD 0xAB 0x34 0x12

字符串类型（type为2）

1. 字符串采用UTF-8编码

2. 在声明类型和编号后紧跟一个Varint类型，表示字符串长度

3. 接下来的是字符串内容

比如：required string b = 2; 其中b的值为 testing

结果（16进制）是 12 07 74 65 73 74 69 6e 67

斜体为字符串内容

加粗为Varint的类型申明及编号

加粗并斜体为Varint的长度申明

内嵌Message类型（type为2）

内嵌Message类型采用类似字符串的编码方法，只是后面跟的是二进制而不是字符串

比如：

message Test1 {

  required int32 a = 1;

}

message Test3 {

  required Test1 c = 3;

}

其中a.c的值为150

结果为： 1a 03 08 96 01

斜体为Test1的内容

加粗为Varint的类型申明及编号

加粗并斜体为Varint的长度申明

可重复选项（Repeated）和可选选项（Optional）

1. 对于可重复项（没有设置[packed=true]），编码的结果里对一个标签编号存在0条或多条key-value结构，并且无需连续和不保证顺序

2. 对于可选项，编码的结果里可能没有该标签编号的key-value结构

3. 对于非可重复项的重复数据的处理方式

4. 对于数字和字符串，只接受最后一次的值，前面的忽略

5. 对于Message，采用合并（Merge）操作，使用后面的值覆盖前面的值

带有[packed=true]选项的可重复项（type为2）

可重复项带有[packed=true]后，所有元素打成一个包，使用类似字符串的数据打包形式

message Test4 {

repeated int32 d = 4 [packed=true];

}

结果如下：

22 // tag (编号 4, 类型 2)

06 // 总长度 (6 bytes)

03 // 第一个元素 (varint 3)

8E 02 // 第二个元素 (varint 270)

9E A7 05 // 第三个元素 (varint 86942)

到这里就没了，by the way，一些SDK碰到不能识别的数据，将会把它放到最后，比如C++，另一些就直接忽略掉了，比如Python。而且这种设计对协议更新的向后兼容非常的好啊