Protocol Buffers C 实现教程
1. 项目介绍
protobuf-c 是一个用 C 语言实现的 Google Protocol Buffers 数据序列化格式。它包括 libprotobuf-c,一个纯 C 库,用于实现 protobuf 的编码和解码,以及 protoc-c,一个代码生成器,用于将 Protocol Buffer .proto 文件转换为 C 描述符代码。protobuf-c 最初由 Dave Benson 编写并维护,现在由一个新的团队维护。
2. 项目快速启动
2.1 安装依赖
在开始之前,确保你已经安装了以下依赖:
- C 编译器
- C++ 编译器
protobufpkg-config
2.2 克隆项目
git clone https://github.com/protobuf-c/protobuf-c.git
cd protobuf-c
2.3 构建项目
如果你是从 Git 仓库克隆的代码,首先需要生成构建系统:
./autogen.sh
然后配置并构建项目:
./configure
make
sudo make install
2.4 生成 C 代码
使用 protoc 命令生成 C 代码:
protoc --c_out=. example.proto
这将生成 example.pb-c.c 和 example.pb-c.h 文件。
2.5 编译和链接
编译你的 C 源代码,并链接 libprotobuf-c 库:
gcc -c example.pb-c.c -o example.pb-c.o
gcc example.c example.pb-c.o -o example `pkg-config --cflags --libs libprotobuf-c`
3. 应用案例和最佳实践
3.1 数据序列化
protobuf-c 主要用于数据序列化和反序列化。以下是一个简单的示例,展示如何使用 protobuf-c 进行数据序列化和反序列化:
#include "example.pb-c.h"
#include <stdio.h>
int main() {
ExampleMessage msg = EXAMPLE_MESSAGE__INIT;
msg.name = "Hello, protobuf-c!";
msg.id = 123;
// 序列化
size_t len = example_message__get_packed_size(&msg);
uint8_t buffer[len];
example_message__pack(&msg, buffer);
// 反序列化
ExampleMessage *unpacked_msg = example_message__unpack(NULL, len, buffer);
printf("Name: %s, ID: %d\n", unpacked_msg->name, unpacked_msg->id);
example_message__free_unpacked(unpacked_msg, NULL);
return 0;
}
3.2 网络通信
protobuf-c 也常用于网络通信中,特别是在需要高效传输结构化数据的场景中。通过将数据序列化为二进制格式,可以显著减少数据传输的大小,从而提高网络通信的效率。
4. 典型生态项目
4.1 protobuf-c-rpc
protobuf-c-rpc 是 protobuf-c 的一个扩展项目,提供了基于 protobuf-c 的 RPC 实现。它允许你使用 Protocol Buffers 定义 RPC 服务,并生成相应的客户端和服务器代码。
4.2 nanopb
nanopb 是一个轻量级的 Protocol Buffers 实现,专为嵌入式系统设计。它与 protobuf-c 类似,但更加轻量级,适合资源受限的环境。
4.3 gRPC
gRPC 是一个高性能、通用的 RPC 框架,支持多种语言,包括 C++、Java、Python 等。虽然 gRPC 本身不直接依赖 protobuf-c,但你可以使用 protobuf-c 生成的 C 代码与 gRPC 进行集成。
通过这些生态项目,protobuf-c 可以在更广泛的场景中发挥作用,从嵌入式系统到高性能服务器应用。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00