Hessian 序列化的软肋

Hessian最早是用于Java的二进制的Web服务，官方 定义：

 

The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary protocol, it is well-suited to sending binary data without any need to extend the protocol with attachments.

 

后来被广泛用于其它的编译语言象Python，C++，C#，PHP，Ruby，Erlang等。

 

其实Hessian除了用于Web方法调用外，还有一个常用的功能就是跨语言的序列化。正是有了高效、紧凑的序列化，Hessian才广为流传。

 

Hessian序列化协议不管是1.0.2规范 还是2.0草案 都是十分完善的，但其中最大的问题就是关于字符串（或者XML，在Hessian里XML的序列化基本与字符串一样）的序列化。

下面是Hessian字符串序列化的定义：

 

1.0：

string ::= (s b16 b8 utf-8-data)* S b16 b8 utf-8-data

2.0：

# UTF-8 encoded character string split into 64k chunks
string     ::= x52 b1 b0 <utf8-data> string  # non-final chunk
           ::= 'S' b1 b0 <utf8-data>         # string of length
                                             #  0-65535
           ::= [x00-x1f] <utf8-data>         # string of length
                                             #  0-31
           ::= [x30-x34] <utf8-data>         # string of length
                                             #  0-1023


我们看到，不管是1.0还是2.0，字符串都是“分段”传输的。二个版本不同之处在于2.0只是针对0-31长度和0-1023长度的短字符串作了

特殊优化。


所谓“分段”就是单个字符串的最大长度不能大于65536（2 ^ 16），如果大于这个长度就要按65536进行分段。

举个例子，假设有个字符串长度为65537，那么Hessian序列化大致为：


s xFF xFF <UTF8-DATA> S x00 x01 <UTF8-DATA>


第一个小写的s表示是字符串的分段中的一段，大写的S表示是最后一段。在S的后面就是2个字节的长度，注意这里不是整段字节的长度，

而是字符串的长度！接下来就是UTF8编码的字符串。


照理说，按这个定义不会出现多大问题，为字符国际化以及长、短字符串都作了相关的优化处理。


但事实上，当字符串很大时（为何会很大？想想如果输出一个很大的XML结果集（2M以上）），这种方案的时间会耗费大量的资源，极为低效。


（1）字符编码问题。


Hessian字符串采用了对英文友好的UTF8编码，是为减少传输的大小。但UTF8是多字节编码，且不说对于非英文字符，它增加了传输的开销，

重要的是采用UTF8编码和解码必须进行逐字节的低效率的扫描。当字符多时，这个会成为整个序列化的瓶颈。

从效率的角度来讲，个人觉得Hessian采用UTF16最好。UTF8虽然小了一点，处理的开销可不只是大了一点点。



（2）分段问题。


分段带来传输的一点性能优势和分开检验的好处，但拆分和组合一个巨大的尤其是必须按字节扫描的字符串时，这个带来了很大的开销。


（3）字符长度问题。（重点）


Hessian保存了每个字符段的字符的个数，但没有保存整个段字节的长度。这样在反序列化时，只能逐字节扫描，没有办法进行读取优化。
逐字节的验证UTF8和读取UTF8字符串，在C++、C#或者Java这样高效率的语言来讲，本身不是太大问题，
但对于PHP、Python或者Ruby、Erlang等非Unicode的低性能语言来说，就是要命的事情了。

作一简单测试，当PHP解析Hession 3M的字符串（XML），耗时竟然超过30秒，30M得半小时了！而C#都不超过1秒！

看来，想要让PHP等语言快点，除了标明标明字符串的字符个数外还必须标明实际字节大小，尽管这样破坏了标准：

string ::= (s b16 b8 C16 C8 utf-8-data)* S b16 b8 C16 C8 utf-8-data

C16和C8就是实际字符串在该段的字节数。有了这个这个标记，PHP等语言就可高效处理Hessian大字符串了，30M 1秒钟！

如果你有更好的办法，请不吝指教！