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。
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