浅析Base-128编码约定

前言

最近在研究的Xdelta3源码中使用了一种叫做VCDIFF的编码格式，为了可移植性，VCDIFF使用了Base-128的编码约定，下面我们就来简单介绍一下Base-128编码约定。

Base-128

它是一种可移植的、可变大小的编码格式，适用于所有8位字节的系统；所谓Base-128编码就是使用一个字节中的低7位进行编码，因为最高有效位(第7位)的值为128，故而得名Base-128。

编码

打个比方，一个32位的unsigned int类型的数值123456789，它的二进制表示为00000111010110111100110100010101，将其按7个二进制单位来分割，如下所示：

0000 | 0111010 | 1101111 | 0011010 | 0010101

由于第一部分的位数全为0，可以舍弃：

0111010 | 1101111 | 0011010 | 0010101

由上可知，一个32位的数值123456789被分割成了4个部分，将这4个部分分别存入4个字节中的低7位，由于一个字节占8位，还剩余一个最高位(MSB)未使用，将其作为标志位，标志位的作用我们后面会说。

我们用一个char*的数组buff[4]来依次接收这4个字节，每个数组成员就是一个字节，buff[0]中存放数值的第一部分'0111010'，其占了一个字节中的低7位，剩余1位默认以0填充——'00111010'。以此类推，最终数组buff中所存的内容如下（加粗部分为自动填充的位数）：

• buff[0]：‘00111010’
• buff[1]：‘01101111’
• buff[2]：‘00011010’
• buff[3]：‘00010101’

由于分割后的每个字节中的最高位(MSB)都被自动填充为0，这破坏了数值的完整性和正确性，我们想要获得原本的数值123456789就需要在拼接时舍去最高位(MSB)以保证拼接后得到正确的数值。
同时还有一个问题，那就是在机器码中，这个数值可能是存在于一连串的二进制码中，就如下所示：

…00111010011011110001101000010101…

那正确判断一个数值是由哪几个字节拼接后得到的呢？这就是将每个字节最高位(MSB)用作标志位的作用了，我们将除了最后一个字节的最高位(MSB)都置为1，修改后的数组buff如下：

• buff[0]：‘10111010’
• buff[1]：‘11101111’
• buff[2]：‘10011010’
• buff[3]：‘00010101’

《RFC3284》的原文如下：
For example, consider the value 123456789, which can be represented with four 7-bit digits whose values are 58, 111, 26, 21 in order from most to least