使用 FlatBuffers 提高反序列化性能-51CTO.COM

最近一直在寻找一个性能和资源占用兼具的序列化和反序列化工具，大多组织都是采用的 JSON， JSON 可以做到数据的前后兼容，并且更容易让人理解和可视化，但 JSON 的性能相对更差，自身的元数据也会占用更多的存储空间。

根据官网介绍FlatBuffers是一个高效的、跨平台的序列化组件，保证数据向前向后兼容性，支持多种编程语言，是专门为游戏开发和其他性能关键的应用而开发的。它与Protobuf确实比较相似，最主要的区别就是，FlatBuffers并不需要一个转换/解包的步骤就可以获取原数据。

比如在游戏场景下的网络通信中，玩家往往是对延迟非常敏感的(尤其是在FPS，Moba类游戏中)，抛去网络本身的网络延迟不谈，如果能够降低数据解析(反序列化)的延迟，就能降低玩家操作的延迟感，提升游戏体验。

fb 到底能比 pb 快多少？

我自己做了一个测试，结果如下：fb的序列化要略慢于pb的序列化，但是fb的反序列化要远远超过pb的反序列化。

 Benchmark                       Mode  Cnt         Score         Error  Units
 c.s.fb.SampleTest.deserialize  thrpt    5  84352854.022 ± 4278679.805  ops/s
 c.s.fb.SampleTest.serialize    thrpt    5    316259.628 ±    2395.626  ops/s
 c.s.pb.SampleTest.deserialize  thrpt    5   1407501.471 ±  221477.754  ops/s
 c.s.pb.SampleTest.serialize    thrpt    5    396038.869 ±   81730.806  ops/s

测试过程很简单，主要分为序列化和反序列化两部分，序列化比较简单，直接使用jmh执行即可;反序列化首先需要把相应序列化的二进制数据写入文件，静态读取二进制文件数据，进行反序列化操作。

pb文件

syntax = "proto2";

package com.test.pb;

option java_outer_classname = "SampleProto";

message Sample {
    optional uint32 intData = 1;
  // 数据消息
    optional uint64 longData = 2;
  // string数据
    optional string str1 = 3;
    optional string str2 = 4;
    optional string str3 = 5;
    optional string str4 = 6;
    optional string str5 = 7;
    optional string str6 = 8;
    optional string str7 = 9;
    optional string str8 = 10;
  // 数组
   repeated string person = 11;
}

pb序列化

 @Benchmark
    public static byte[] serialize() {
        SampleProto.Sample.Builder builder = SampleProto.Sample.newBuilder();
        List<String> list = new ArrayList<>();
        for (int i = 0; i < 20; i++) {
            list.add("中国经济复苏+" + i);
        }
        byte[] bytes = builder.setIntData(100).setLongData(System.currentTimeMillis())
                .setStr1("306bb851-9a0a-4b07-b22b-7ff49a2a60e1")
                .setStr2("306bb851-9a0a-4b07-b22b-7ff49a2a60e2")
                .setStr3("306bb851-9a0a-4b07-b22b-7ff49a2a60e3")
                .setStr4("306bb851-9a0a-4b07-b22b-7ff49a2a60e4")
                .setStr5("306bb851-9a0a-4b07-b22b-7ff49a2a60e5")
                .setStr6("306bb851-9a0a-4b07-b22b-7ff49a2a60e6")
                .setStr7("306bb851-9a0a-4b07-b22b-7ff49a2a60e7")
                .setStr8("306bb851-9a0a-4b07-b22b-7ff49a2a60e8")
                .addAllPerson(list).build().toByteArray();
        return bytes;

    }

pb反序列化

 @Benchmark
    public static SampleProto.Sample deserialize() throws InvalidProtocolBufferException {
        SampleProto.Sample builder = SampleProto.Sample.parseFrom(bytes);
        return builder;
    }

fb 文件

// 指定生成消息类的Java包
namespace com.test.fb;

// 消息
table Sample {
    // int32数据
    intData:int;
    // 数据消息
    longData:float;
    // string数据
     str1:string;
     str2:string;
     str3:string;
     str4:string;
     str5:string;
     str6:string;
     str7:string;
     str8:string;
     // 数组
     person:[string];
}

fb序列化

@Benchmark
    public static byte[] serialize() {
        FlatBufferBuilder flatBufferBuilder = new FlatBufferBuilder();

        int str1 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e0");
        int str2 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e1");
        int str3 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e2");
        int str4 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e3");
        int str5 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e4");
        int str6 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e5");
        int str7 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e6");
        int str8 = flatBufferBuilder.createString("306bb851-9a0a-4b07-b22b-7ff49a2a60e7");
        int[] index = new int[20];
        for (int i = 0; i < 20; i++) {
            index[i] = flatBufferBuilder.createString("中国经济复苏+" + i);
        }
        int vectorOfTables = flatBufferBuilder.createVectorOfTables(index);
        int sample = Sample.createSample(flatBufferBuilder, 100, System.currentTimeMillis(),
                str1, str2, str3, str4, str5, str6, str7, str8, vectorOfTables);
        flatBufferBuilder.finish(sample);
        return flatBufferBuilder.sizedByteArray();
    }

fb反序列化

@Benchmark
    public static Sample deserialize() {
        return Sample.getRootAsSample(ByteBuffer.wrap(bytes));
    }

以上数据生成的二进制文件， pb 大小为 0.763kb，fb 大小为 1.076kb，fb 的存储占用高出了将近 29%，当然如果是纯数字 pb
还会进一步压缩。

为什么 fb 的反序列化速度这么快？

要搞清楚反序列化快的原因，就得弄明白序列化的过程，因为反序列化是序列化的逆向操作。

FlatBuffers 把对象数据，保存在一个一维的数组中，将数据都缓存在一个 ByteBuffer
中，每个对象在数组中被分为两部分。元数据部分：负责存放索引。真实数据部分：存放实际的值。然而 FlatBuffers
与大多数内存中的数据结构不同，它使用严格的对齐规则和字节顺序来确保 buffer 是跨平台的。此外，对于 table 对象，FlatBuffers
提供前向/后向兼容性和 optional
字段，以支持大多数格式的演变。除了解析效率以外，二进制格式还带来了另一个优势，数据的二进制表示通常更具有效率。我们可以使用 4 字节的 UInt 而不是 10
个字符来存储 10 位数字的整数。

FlatBuffers 对序列化基本使用原则：

小端模式。FlatBuffers对各种基本数据的存储都是按照小端模式来进行的，因为这种模式目前和大部分处理器的存储模式是一致的，可以加快数据读写的数据。
写入数据方向和读取数据方向不同。

简单来说， fb 在进行数据序列化的过程中，已经记录了数据的位置和偏移量。这也是序列化后的数据要略大于 pb 的原因。

FlatBuffers 反序列化的过程就很简单了。由于序列化的时候保存好了各个字段的 offset，反序列化的过程其实就是把数据从指定的 offset 中读取出来。

整个反序列化的过程零拷贝，不消耗占用任何内存资源。并且 FlatBuffers 可以读取任意字段，而不是像 Json 和 Protobuf需要读取整个对象以后才能获取某个字段。FlatBuffers 的主要优势就在反序列化这里了。所以 FlatBuffers可以做到解码速度极快，或者说无需解码直接读取。

总结

FlatBuffers 和 Protobuf 一样具有数据不可读性，必须进行数据解析后才能可视化数据。但是相比其它的序列化工具，FlatBuffers最大的优势是反序列化速度极快，或者说无需解码。如果使用场景是需要经常解码序列化的数据，则有可能从 FlatBuffers 的特性中获得巨大收益。