背景
本文章基础是在没有proto结构源文件的情况下进行proto文件的反序列化,关于proto的基础知识和编码原理可以参考下面链接中的介绍,设计代码基于Python,在这里只介绍一下算法设计思路。
proto编码原理
刚拿到proto文件的时候也是一头雾水,一开始在网上搜索了很多博客和资料都是根据protobuf源文件和与语言配套的protobuf程序生成解析文件,没有结构文件就只能手动去解析二进制文件。官方提供的protoc可以在没有源码的情况下反序列化,最后解析结果可能存在小部分偏差(主观判断),证明理论上没有源文件也可以进行解析,在查看了一下proto文件编码的原理之后,有了一个大体的思路。
有几个博客简单介绍了手动按字节解析简单的proto文件的例子,
protobuffer编码原理
protobuf流的反解析
上面提到的原理和编码规则就不再赘述了,直接上逻辑。
设计思路
整体的设计思路经过两次变化,其实都可行,只不过结果的准确率有些不同。总体逻辑大概分为三步:
1.解析key字节
2.解析后续长度字节
3.解析value字节
编码原理还是十分复杂的,大体基于varint编码格式,主要是key字节的变长读取和int类型的读取,包括int32、64等。编码规则中也存在sint类型的编码,采用zigzag编码来减少无符号数的编码字节长度,但是由于sint和int的编码type都是0,无法判断是哪一种数据类型,同时在调研了很多proto文件的数据格式定义中无符号数的出现频率很低,所以在此逻辑中不考虑sint类型整型数字和浮点数的解析。
从读二进制文件开始,现将二进制文件转成了单个字节的01字符串,方便后续判断。字节码的顺序是这样的:
key | (length) | value |
---|---|---|
00001010 | 00010100 | 01101000 |
上面表格翻译过来的内容是:field为1,type为2,然后后面的长度为20,value第一个字节翻译过来是‘h’。key的第一个字节最高位是0,代表没有下一个字节,然后看后面7位;后三位是type,前面是field值,比如00001010,010代表type,换算成10进制就是2,00001为field,换算成10进制就是1,如果field的值超过15的话,可以用两个字节表示,如:10001010 00000001,最高位为1代表还有下一字节,然后读取下一字节,最高位为0,key读取结束。varint采用的是小端窗口,后面字节在前面,去掉最高位后为0000001 0001010,field为0000001 0001,换算后是field的值为17,type仍为2,长度的计算方式同理。
一个二进制字节流传进来,可以看做n个key-value键值对,如果value的type是2,即struct或者string在key的后面就会有一段length的字节,length的编码同样也是varint;如果type是0,即整形数字,就会按照varint直接向后解析,直到最高位是0解析结束。
这样看来流程就很简单了,首先判断key,看type的类型,如果为0就直接解析varint型编码字节,如果为2就先解析一个长度的varint编码,然后解析此长度的字节为字符串。
下面看一下具体解析的流程图;
具体流程已经很清晰了,只有一个问题,如何判断type为2的时候是struct还是string?理论上暂时没有发现有效的标志可以判断,所以采取一种折中的方式,先将字节码看做string,然后判断解析之后的结果是否存在乱码,如果存在就返回解析为struct,不存在就继续向后解析;在设计过程中可以根据实际情况进行适当的剪枝,提高准确度和效率。
附上部分代码,仅供参考:
def process(self, opdatas):
self