Bond——大数据时代的数据交换和存储格式

设想我们在一家很大的互联网公司做IT方面的规划、开发和维护，有以下这样的应用场景：

• 公司里有若干个不同的开发团队，开发语言有Java、.net、Python、C++....十来种，还有很多外包团队对项目举行开发，大中小系统已经多的数不过来；并且各个团队、系统间都需要举行海量数据的交换（比如搜索引擎及时的数据，GPS物联网及时数据，电站的及时监控数据等），怎样定义一种数据格式，使得各种平台和语言都可以或许兼容，交换的成本最低？
  
• 云云多的结构化、非结构化数据都需要举行存储，有几百个哈杜集群、数十万台、百万台服务器，数据存储在Hbase、RocksDb大概其他自己开发的数据库结构中，对查询的及时性很高（内存表个位数毫秒、SSD十几毫秒等）。怎样用一种较为统一的格式存放这些数据？
  

相信在大公司大概在大公司做过外包的童鞋，都打仗过这样一种数据对象，那就是Bond格式，现在Bond由M$维护，官方网站：https://github.com/microsoft/bond/，上面提供了各种语言的示例、编译工具等。
一个根本的Bond文件如下所示：

1. namespace School
3. struct Student
4. {
5.     0: string Name;
6.     1: uint8 Age;
7.     2: bool IsBoy;
8.     3: optional vector<string> Interests;
9. }

复制代码

这里定义了一个学校的命名空间，里面有个弟子类，弟子类里面有四个字段，依次是姓名、年龄、是否为男孩、爱好爱好的列表(可选)。
很容易看出Bond结构现实是与平台和语言无关的，它是一个DSL，在不同的平台上，利用Bond编译工具gbc，可以把Bond文件编译成不同的类，然后就可以赋值、存储和传输了，编译好的Bond原生支持RPC调用。
Bond支持的数据范例有：

• 根本范例：int8, int16, int32, int64, uint8, uint16, uint32, uint64, float, double, bool, string, blob等，需要留意java平台没有uint范例，会编译成带有符号的同范例，数据会丢失精度（正数变成负数）；
  
• 列表 vector、字典 map
  
• 枚举 enum
  
• 默认值
  
• 可选字段 optional，必须字段 required
  
• 可空字段 nullable
  
• 支持类的继续
  
• 支持字段的修饰 Attribute，这对前端验证和数据库存储比较有用，能定义字段长度、范围、列族等
  

这些范例能很好的满足数据交换和存储的需要；除此以外，Bond是一种非常高效的数据存储格式，它的二进制序列化最大程度去除了元数据的影响，极其紧凑，我们来看一个示例：
ListingItem是一个Bond范例，它的结构定义如下：

1. struct ListingItem
2. {
3.     1: required uint64 xxxxxxxxx;
4.     2: required uint8 xxxxxxxxx;
5.     3: optional uint16 score;
6.     4: optional vector<xxxx> xxxxxxxxxxx;
7.     5: optional map<xxxxxx, uint16> xxxxxxxxx;
8.     6: optional xxxxxx xxxxxxxxxxx = Exxxxx;
9.     7: optional bool IsDeleted;
10.     8: optional vector<xxxxxxxx> xxxxxxxxList = nothing;
11. }

复制代码

由于牵涉到生产环境的真实数据，所以一些字段和引用利用xxxxx来代替了，这个类的大小中等，有各种字段，还有对其它类的引用和集合等等。
我们用随机化的方式生成一百万个类，类里面的字段和引用都不一样，数值都是随机生成的，然后用Bond序列化和Java中带的Gson序列化方式举行序列化后的二进制长度比较，渣代码如下：

1.     @Test
2.     public void ListingItemTest() throws IOException {
3.         int cycleLength = 1000000;
4.         Random random = new Random();
5.         // Create 1000000 listing item
6.         List<ListingItem> items = new ArrayList<>();
7.         for(int i = 0; i < cycleLength; i ++){
8.             ListingItem item = new ListingItem();
9.             // ...
10.             //赋值省略，利用random.nextLong() nextInt()等给字段赋值
11.             // ...
12.             items.add(item);
13.         }
15.         StopWatch stopWatch = new StopWatch();
16.         int length = 0;
17.         stopWatch.start();
18.         //Serialization Bond Object for 1000000 times
19.         for(int i = 0; i < cycleLength; i ++){
20.             byte[] bytes = BondSerializationUtils.serializeBondToBytes(items.get(i), ProtocolType.MARSHALED_PROTOCOL);
21.             length += bytes.length;
22.         }
23.         stopWatch.stop();
24.         System.out.println(String.format("Bond Serialization %d objects cost %d ms, avg length in bytes is %d", cycleLength, stopWatch.getTime(), length / cycleLength));
26.         //Serialization as Json Object
27.         length = 0;
28.         stopWatch.reset();
29.         stopWatch.start();
30.         for(int i = 0; i < cycleLength; i ++){
31.             String json = gson.toJson(items.get(i));
32.             length += json.length();
33.         }
34.         stopWatch.stop();
35.         System.out.println(String.format("Json Serialization %d objects cost %d ms, avg length in string is %d", cycleLength, stopWatch.getTime(), length / cycleLength));
36.     }

复制代码

在我的破条记本(10代i5低功耗u)运行结果如下：

1. Bond Serialization 1000000 objects cost 1392 ms, avg length in bytes is 60
2. Json Serialization 1000000 objects cost 8837 ms, avg length in string is 310

复制代码

由于Java字符串getBytes()后和原长度一样，所以我们可以把字符串长度看作二进制数组长度。
多运行几遍代码，可以看到，Bond序列化的速率比Gson序列化的速率快4到5倍，序列化后的大小也只有json的1/5。（利用不同的序列化协议，比如COMPACT_PROTOCOL可以进一步压缩结果大小和序列化时间，速率能比Json序列化快10倍以上）
这是个了不起的成绩，如果我们生产环境中每天产生上百亿条数据，这些数据用于各种转换、分析与统计，利用Bond结构存储只有利用字符串存储空间的1/5，可以或许省下4/5以EB、PB计的存储成本；而且由于数据量的淘汰，传输和计算的成本也进一步压缩，每年在IT底子设施上的投入能节约上百亿上千亿美元，这些节流的成本最后都是利润。
最后，由于Java平台没有自带二进制序列化框架，我们用.net自带的序列化框架测试下二进制序列化和Json序列化，序列化的类如下：

1.     [Serializable]
2.     public class TAListings
3.     {
4.         public string LxxxxxxxxList { get; set; }
5.         public string Titles { get; set; }
6.         public string CxxxxxxxxxxxxxxList { get; set; }
7.         public string CxxxxxxxxxxxxxxxxList { get; set; }
8.     }

复制代码

代码如下：

1. TAListings listings = new TAListings() { CxxxxxxxxxxxxxxxxList= "5033333309:-:73333333333334,34444444442:-:744444444442,54444444449:-:744444444444444448,544444443:-:744444444444444" };
3. var binSerilization = BinaryHelper.Serialize(listings);
4. var jsonSerilization = JsonHelper.Serialize(listings);
6. Console.WriteLine(string.Join(" ", binSerilization.Select(f => f.ToString("x2"))));
7. Console.WriteLine("Binary Serilization Length: " + binSerilization.Length);
8. Console.WriteLine();
9. Console.WriteLine(jsonSerilization);
10. Console.WriteLine("Json Serilization UTF8 Length: " + Encoding.UTF8.GetByteCount(jsonSerilization));
11. Console.ReadLine();

复制代码

结果如截图所示：

可以看到，如果只是普通的类，在.net利用二进制序列化后，反而比json序列化大了不少，增长的长度在二到四倍左右不等，这很反常识，是由于.net二进制序列化需要存储更多的元数据吗？
大家对我的文章有什么问题和建议，都盼望可以或许到场讨论，谢谢大家！
　　　　出处：https://thanks.cnblogs.com/　　　　本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面显着位置给出原文连接，否则保留追究法律责任的权利。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。