Pbandk 使用指南
1. 项目介绍
Pbandk 是一个专为 Kotlin 多平台设计的 Protocol Buffers 代码生成器及运行时库。此项目旨在从 .proto 定义文件自动生成符合 Kotlin 编程习惯的数据类,并支持在 JVM、Android、iOS、JavaScript、WebAssembly 等所有由 Kotlin Multiplatform 支持的平台上运行。Pbandk 强调遵循 Kotlin 的编程规范,提供易用且与平台兼容的API,同时也考虑到与其他语言如Java、Swift等的互操作性,尽管这受限于当前Kotlin多平台的限制。
2. 项目快速启动
添加依赖
首先,在你的 Kotlin 多平台项目中,确保你已经配置了 Protobuf 插件和添加了 Pbandk 作为依赖。以下是在 Gradle 中如何配置的示例:
repositories {
mavenCentral()
// 如果使用的是SNAPSHOT版本,则还需要添加下面的仓库
maven { url 'https://s01.oss.sonatype.org/content/repositories/snapshots/' }
}
dependencies {
implementation("com.streem.pbandk:pbandk-runtime:0.16.1")
}
创建 .proto 文件
创建一个简单的 .proto 文件,比如 addressbook.proto:
syntax = "proto3";
package tutorial;
message Person {
string name = 1;
int32 id = 2;
string email = 3;
repeated PhoneNumber phones = 4;
}
message PhoneNumber {
string number = 1;
enum PhoneType {
MOBILE = 0;
HOME = 1;
WORK = 2;
}
PhoneType type = 2;
}
message AddressBook {
repeated Person people = 1;
}
生成 Kotlin 代码
你需要通过 Protobuf 编译器并结合 Pbandk 的插件来生成 Kotlin 代码。这通常通过Gradle插件自动完成,具体步骤依据项目的构建脚本而定。一旦配置正确,执行相应的编译任务后,会自动生成对应的 Kotlin 类在指定的包路径下。
3. 应用案例和最佳实践
使用 Pbandk 生成的 Person 示例数据类,你可以这样创建一个新的 Person 实例并序列化它:
import tutorial.Person
val johnDoe = Person(name = "John Doe", id = 1, email = "john.doe@example.com")
val bytes = pbandk.MessageWriter(johnDoe).toByteArray()
最佳实践中,你应该充分利用 Kotlin 的特性,如利用密封类处理 oneof 情况,以及通过 Ktor 或其他网络库将生成的消息高效地发送到服务器。
4. 典型生态项目
Pbandk 虽然主要聚焦于 Kotlin Multiplatform 环境中的 Protobuf 支持,但其在多平台服务端和客户端通信领域有着广泛的应用潜力。例如,结合 Ktor 开发RESTful服务,或是作为微服务架构中服务间通信的基础,利用其生成的代码进行高效的数据序列化和反序列化。
在实际开发中,你可能会遇到需要与gRPC服务交互的情况。虽然Pbandk本身不直接生成gRPC代码,但它提供了接口允许开发者实现自己的服务代码生成逻辑,从而与gRPC生态无缝对接。
通过以上介绍,你应该能够快速上手 Pbandk,将其融入你的多平台项目中,享受高效且一致的跨平台数据交换体验。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00