Protobuf-ES 项目使用指南
项目介绍
Protobuf-ES 是一个完全符合 Protocol Buffers 标准的 JavaScript 库,专为 ECMAScript 设计。它不仅通过了 Protocol Buffers 的一致性测试,还提供了完整的 TypeScript 支持,适用于 Web 浏览器和 Node.js 环境。Protobuf-ES 由 Buf 创建,旨在为 JavaScript 开发者提供一个高效、可靠的 Protocol Buffers 实现。
项目快速启动
安装依赖
首先,你需要安装 Protobuf-ES 的代码生成器、运行时库以及 Buf CLI:
npm install @bufbuild/protobuf @bufbuild/protoc-gen-es @bufbuild/buf
配置生成器
创建一个 buf.gen.yaml 文件,配置如下:
version: v2
inputs:
- directory: proto
plugins:
- local: protoc-gen-es
opt: target=ts
out: src/gen
下载示例 .proto 文件
创建一个 proto 目录,并下载示例 .proto 文件:
mkdir proto
curl https://raw.githubusercontent.com/bufbuild/protobuf-es/main/packages/protobuf-example/proto/example.proto > proto/example.proto
生成代码
使用 Buf 或 protoc 生成代码:
npx buf generate
生成完成后,你会在 src/gen 目录下看到生成的 example_pb.ts 文件,其中包含 User 类型和 UserSchema。
使用生成的代码
你可以像这样使用生成的代码:
import { UserSchema } from "./gen/example_pb";
import { create, toBinary, toJson } from "@bufbuild/protobuf";
let user = create(UserSchema, {
firstName: "Homer",
lastName: "Simpson",
active: true,
locations: ["Springfield"],
projects: { SPP: "Springfield Power Plant" },
manager: { firstName: "Montgomery", lastName: "Burns" },
});
const bytes = toBinary(UserSchema, user);
const json = toJson(UserSchema, user);
应用案例和最佳实践
案例1:Web 应用中的数据序列化
在 Web 应用中,Protobuf-ES 可以用于高效地序列化和反序列化数据。例如,前端应用可以将用户数据序列化为二进制格式,通过 HTTP 请求发送到后端,后端再将其反序列化为对象进行处理。
案例2:微服务间的数据交换
在微服务架构中,Protobuf-ES 可以用于服务间的数据交换。通过定义统一的 .proto 文件,不同语言编写的服务可以生成对应的类型定义,确保数据交换的一致性和高效性。
最佳实践
- 统一数据模型:在项目中统一使用
.proto文件定义数据模型,确保前后端和不同服务间数据结构的一致性。 - 代码生成自动化:将代码生成步骤集成到 CI/CD 流程中,确保每次更新
.proto文件后自动生成最新的代码。 - 性能优化:利用 Protobuf-ES 的二进制序列化格式,减少数据传输的大小,提升应用性能。
典型生态项目
Connect-ES
Connect-ES 是 Protobuf-ES 的配套 RPC 库,支持 Connect、gRPC 和 gRPC-Web 协议。它提供了类型安全的 API,使得在 TypeScript 中使用 Protobuf 更加便捷。
Buf CLI
Buf CLI 是一个强大的工具,用于管理和生成 Protobuf 文件。它支持代码生成、格式检查、依赖管理等功能,是 Protobuf-ES 开发者的得力助手。
Buf Schema Registry
Buf Schema Registry 是一个集中式的 Protobuf 模式注册中心,用于管理和共享 .proto 文件。它可以帮助团队更好地协作,确保所有服务使用相同的数据模型。
通过以上模块的介绍,你应该已经对 Protobuf-ES 有了初步的了解,并能够快速上手使用。希望这篇指南能帮助你在项目中更好地应用 Protobuf-ES。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
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- 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