> For the complete documentation index, see [llms.txt](https://xiaojianchen.gitbook.io/performance-optimization/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://xiaojianchen.gitbook.io/performance-optimization/shu-ju-chuan-shu-xiao-shuai-you-hua.md).

# 数据传输效率优化

## 基础概念

这个数据传输包含应用数据传输和网络上数据传输。

下面介绍三个数据序列化的候选方案：

* Protocal Buffers：强大，灵活，但是对内存的消耗会比较大，并不是移动终端上的最佳选择。
* Nano-Proto-Buffers：基于Protocal，为移动终端做了特殊的优化，代码执行效率更高，内存使用效率更佳。
* FlatBuffers：这个开源库最开始是由Google研发的，专注于提供更优秀的性能。

**FlatBuffers的编码后的大小仅次于Protocal Buffers，但是编码和解码过程却远远超出其它的所有数据序列化方案。**

可见，FlatBuffers 几乎从空间和时间复杂度上完胜其他技术。

FlatBuffers 是一个开源的跨平台数据序列化库，可以应用到几乎任何语言（C++, C#, Go, Java, JavaScript, PHP, Python），最开始是 Google 为游戏或者其他对性能要求很高的应用开发的。项目地址在 GitHub 上。官方的文档在 <https://github.com/google/flatbuffers。>

Android Windows MacOS X Linux

比较坑的是它不支持iOS,这点在项目中不好推动。

## FlatBuffer 的优点

FlatBuffer 相对于其他序列化技术，例如 XML，JSON，Protocol Buffers 等，有哪些优势呢？官方文档的说法如下：

1. **直接读取序列化数据**，而不需要解析（Parsing）或者解包（Unpacking）：FlatBuffer 把数据层级结构保存在一个**扁平化的二进制缓存（一维数组）中**，同时能够保持直接获取里面的结构化数据，而不需要解析，并且还能保证数据结构变化的前后向兼容。
2. 高效的内存使用和速度：**FlatBuffer 使用过程中，不需要额外的内存，几乎接近原始数据在内存中的大小**。
3. 灵活：数据能够前后向兼容，并且能够灵活控制你的数据结构。
4. 很少的代码侵入性：使用少量的自动生成的代码即可实现。
5. 强数据类性，易于使用，跨平台，几乎语言无关。

**在做 Android 开发的时候，JSON 是最常用的数据序列化技术。我们知道，JSON 的可读性很强，但是序列化和反序列化性能却是最差的。解析的时候，JSON 解析器首先，需要在内存中初始化一个对应的数据结构，这个事件经常会消耗 100ms \~ 200ms2；解析过程中，要产生大量的临时变量，造成 Java 虚拟机的 GC 和内存抖动，解析 20KB 的数据，大概会消耗 100KB 的临时内存2。FlatBuffers 就解决了这些问题。**

## 使用方法

简单来说，FlatBuffers 的使用方法是，首先按照使用特定的 IDL 定义数据结构 schema，然后使用编译工具 flatc 编译 schema 生成对应的代码，把生成的代码应用到工程中即可。下面详细介绍每一步。

$ git clone <https://github.com/google/flatbuffers>

首先要使用 FlatBuffers 的 IDL 定义好数据结构 Schema，编写 Schema 的详细文档在这里。其语法和 C 语言类似，比较容易上手。我们这里引用一个简单的例子2，假设数据结构如下：

```java
class Person {  
    String name;
    int friendshipStatus;
    Person spouse;
    List<Person>friends;
}
```

## 基本原理

如官方文档的介绍，FlatBuffers 就像它的名字所表示的一样，就是把结构化的对象，用一个扁平化（Flat）的缓冲区保存，**简单的来说就是把内存对象数据，保存在一个一维的数组中**。

可见，FlatBuffers 保存在一个 byte 数组中，有一个“支点”指针（pivot point）以此为界，存储的内容分为两个部分：**元数据和数据内容**。其中元数据部分就是数据在前面，其长度等于对象中的字段数量，每个 byte 保存对应字段内容在数组中的索引（从支点位置开始计算）。 如图，上面的 Person 对象第一个字段是 name，其值的索引位置是 1，所以从索引位置 1 开始的字符串，就是 name 字段的值 "John"。第二个字段是 friendshipStatus，其索引值是 6，找到值为 2， 表示 NotFriend。第三个字段是 spouse，也一个 Person 对象，索引值是 12，指向的是此对象的支点位置。第四个字段是一个数组，图中表示的数组为空，所以索引值是 0。 通过上面的解析，可以看出，FlatBuffers 通过自己分配和管理对象的存储，使对象在内存中就是线性结构化的，直接可以把内存内容保存或者发送出去，加载“解析”数据只需要把 byte 数组加载到内存中即可，不需要任何解析，也不产生任何中间变量。 它与具体的机器或者运行环境无关，例如在 Java 中，对象内的内存不依赖 Java 虚拟机的堆内存分配策略实现，所以也是跨平台的。

## 使用建议

通过前面的体验，FlatBuffers 几乎秒杀了 JSON 下面说说 FlatBuffers 的几点缺点：

* FlatBuffers 需要生成代码，对代码有侵入性；
* 数据序列化没有可读性，不方便 Debug；
* 构建 FlatBuffers 对象比较麻烦，不直观，特别是如果对象比较复杂情况下需要写大段的代码；
* 数据的所有内容需要使用 Schema 严格定义，灵活性不如 JSON。

所以，在什么情况下选择使用 FlatBuffers 呢？个人感觉需要满足以下几点：

* 项目中有大量数据传输和解析，使用 JSON 成为了性能瓶颈；
* 稳定的数据结构定义。