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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00