grpc 和 http 的区别---二进制vsJSON编码

gRPC 和 HTTP 是两种广泛使用的通信协议,各自适用于不同的场景。以下是它们的详细对比与优势分析:

一、核心特性对比

特性gRPCHTTP
协议基础基于 HTTP/2基于 HTTP/1.1 或 HTTP/2
数据格式默认使用 Protobuf(二进制)通常使用 JSON/XML(文本)
传输效率高(二进制编码 + 多路复用)较低(文本编码 + 无多路复用)
流式支持支持(客户端流、服务器流、双向流)有限(HTTP/2 支持 Server Push,但不如 gRPC 灵活)
代码生成支持(通过 Protobuf 生成客户端/服务端代码)无(需手动编写客户端/服务端代码)
跨语言支持优秀(官方支持多种语言)优秀(几乎所有语言都支持 HTTP)
适用场景高性能、低延迟的微服务通信通用 Web 服务、RESTful API

二、gRPC 的优势

  1. 高性能

    二进制编码:Protobuf 比 JSON/XML 更紧凑,序列化/反序列化速度更快。

    多路复用:基于 HTTP/2,单个连接可并行处理多个请求,减少连接开销。

    头部压缩:HTTP/2 的 HPACK 算法显著减少头部大小。

  2. 强类型接口

    Protobuf 定义:通过 .proto 文件定义服务接口和消息格式,避免手动解析和验证。

    代码生成:自动生成客户端和服务端代码,减少开发工作量。

  3. 流式通信

    四种模式:

     一元 RPC(Unary)客户端流(Client Streaming)服务器流(Server Streaming)双向流(Bidirectional Streaming)
    

    适用场景:实时数据传输(如聊天、日志流)。

  4. 跨语言支持

    官方支持:C++, Java, Python, Go, Ruby, C#, Node.js 等。

    一致性:不同语言生成的代码行为一致,减少跨团队协作成本。

  5. 内置功能

    拦截器:支持中间件模式(如认证、日志、限流)。

    超时与重试:内置机制,简化容错设计。

三、HTTP 的优势

  1. 通用性

    广泛支持:几乎所有编程语言和框架都支持 HTTP。

    工具生态:丰富的调试工具(如 Postman、curl)和监控方案(如 Prometheus)。

  2. 可读性

    文本格式:JSON/XML 易于人类阅读和调试。

    自描述性:无需额外定义接口文档(如 Swagger)。

  3. 兼容性

    RESTful 风格:符合 Web 标准,易于与现有系统集成。

    浏览器支持:直接用于前端与后端通信。

  4. 灵活性

    无状态:适合分布式系统设计。

    缓存支持:利用 HTTP 缓存机制(如 ETag、Cache-Control)提升性能。

  5. 部署简单

    无需额外依赖:直接运行在 Web 服务器(如 Nginx、Apache)上。

    防火墙友好:使用标准端口(80/443),无需特殊配置。

四、适用场景对比

场景推荐协议原因
微服务通信gRPC高性能、强类型、流式支持
实时数据传输gRPC双向流、低延迟
浏览器与后端通信HTTP浏览器原生支持
公开 APIHTTP通用性强、易于调试
跨平台数据交换HTTP文本格式易于解析
高性能内部系统gRPC二进制编码、多路复用

五、性能对比

  1. 延迟

    gRPC:由于二进制编码和多路复用,延迟显著低于 HTTP(尤其是高并发场景)。

    HTTP:文本编码和连接开销导致延迟较高。

  2. 吞吐量

    gRPC:单连接可处理更多请求,适合高吞吐场景。

    HTTP:受限于连接数和文本编码,吞吐量较低。

  3. 资源占用

    gRPC:CPU 和内存占用较低(得益于高效编码)。

    HTTP:资源占用较高(尤其是 JSON 解析)。

六、如何选择?

选择 gRPC 的场景

需要高性能、低延迟的通信(如微服务、实时系统)。需要强类型接口和代码生成(如跨团队协作)。需要流式通信(如实时日志、消息推送)。

选择 HTTP 的场景

需要与浏览器或移动端通信。需要公开 API 或与第三方系统集成。需要快速原型开发或调试。

七、混合使用建议

在实际项目中,可以结合两者的优势:

内部服务:使用 gRPC 实现高性能通信。对外 API:使用 HTTP 提供 RESTful 接口。网关层:通过 API 网关(如 Envoy、Kong)将 HTTP 请求转换为 gRPC。

通过合理选择协议,可以最大化系统性能和开发效率。

八、wireshark截图,对比 protobuf 和 json编码

grpc: protobuf 编码

在这里插入图片描述
请求:
在这里插入图片描述
响应:
在这里插入图片描述

Http:JSON 编码

在这里插入图片描述
请求:
在这里插入图片描述
响应:
在这里插入图片描述总结:可以看到protobuf 和 json 编码对于同样的业务数据,protobuf编码的数据更紧凑。

对于json:这是一个用 JSON 表示的用户信息:
{"id": 123,"name": "Alice","email": "alice@example.com"
}
可读性:人类可以直接阅读和理解。
冗余性:字段名(如 "id"、"name")重复出现,占用额外空间。
解析开销:需要将文本转换为内存中的数据结构(如字典、对象),性能较低。
兼容性:几乎所有编程语言都支持 JSON/XML 解析。对于 protobuf:这是用 Protobuf 定义的相同用户信息:
message User {int32 id = 1;string name = 2;string email = 3;
}
编码后的二进制数据可能是这样的(十六进制表示):
08 7B 12 05 41 6C 69 63 65 1A 10 61 6C 69 63 65 40 65 78 61 6D 70 6C 65 2E 63 6F 6D
紧凑性:去除了冗余信息(如字段名),仅存储数据和元数据(如字段编号)。
高效性:序列化/反序列化速度快,占用带宽和存储空间少。
不可读性:人类无法直接理解二进制数据。
强类型:通过 .proto 文件定义数据结构,确保类型安全。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/12134.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Intel 与 Yocto 项目的深度融合:全面解析与平台对比

在嵌入式 Linux 领域,Yocto 项目已成为构建定制化 Linux 发行版的事实标准,广泛应用于不同架构的 SoC 平台。Intel 作为 x86 架构的领导者,在 Yocto 生态中投入了大量资源,为其嵌入式处理器、FPGA 和 AI 加速硬件提供了完整的支持…

kubernetes(二)

文章目录 NamespacePodLabelDeploymentService Namespace 在Kubernetes系统中,Namespace是一种至关重要的资源类型,其主要功能在于实现多套环境的资源隔离或者多租户的资源隔离,默认情况下所有的Pod都能够相互访问,但如果不想让两…

巧妙利用数据结构优化部门查询

目录 一、出现的问题 部门树接口超时 二、问题分析 源代码分析 三、解决方案 具体实现思路 四、优化的效果 一、出现的问题 部门树接口超时 无论是在A项目还是在B项目中,都存在类似的页面,其实就是一个部门列表或者叫组织列表。 从页面的展示形式…

【数据分析】案例04:豆瓣电影Top250的数据分析与Web网页可视化(numpy+pandas+matplotlib+flask)

豆瓣电影Top250的数据分析与Web网页可视化(numpy+pandas+matplotlib+flask) 豆瓣电影Top250官网:https://movie.douban.com/top250写在前面 实验目的:实现豆瓣电影Top250详情的数据分析与Web网页可视化。电脑系统:Windows使用软件:PyCharm、NavicatPython版本:Python 3.…

【线程】基于环形队列的生产者消费者模型

1 环形队列 环形队列采用数组来模拟,用取模运算来模拟环状特性。 1.如何判断环形队列为空或者为满? 当环形队列为空时,头和尾都指向同一个位置。当环形队列为满时,头和尾也都指向同一个位置。 因此, 可以通过加计数器或者标记…

Vue指令v-html

目录 一、Vue中的v-html指令是什么?二、v-html指令与v-text指令的区别? 一、Vue中的v-html指令是什么? v-html指令的作用是:设置元素的innerHTML,内容中有html结构会被解析为标签。 二、v-html指令与v-text指令的区别…

OPENGLPG第九版学习 - 着色器基础

文章目录 2.1 着色器与OpenGL2.2 0penGL的可编程管线2.3 OpenGL着色语言GLSL概述2.3.1 使用GLSL构建着色器变量的声明变量的作用域变量的初始化构造函数 、 类型转换聚合类型访问向量和矩阵中的元素结构体数组多维数组 2.3.2 存储限制符const 存储限制符in 存储限制符out 存储限…

路径规划之启发式算法之二十九:鸽群算法(Pigeon-inspired Optimization, PIO)

鸽群算法(Pigeon-inspired Optimization, PIO)是一种基于自然界中鸽子群体行为的智能优化算法,由Duan等人于2014年提出。该算法模拟了鸽子在飞行过程中利用地标、太阳和磁场等导航机制的行为,具有简单、高效和易于实现的特点,适用于解决连续优化问题。 更多的仿生群体算法…

Docker Compose的使用

文章首发于我的博客:https://blog.liuzijian.com/post/docker-compose.html 目录 Docker Compose是什么Docker Compose安装Docker Compose文件Docker Compose常用命令案例:部署WordPress博客系统 Docker Compose是什么 Docker Compose是Docker官方的开源…

AP单类平均准确率

P_true N_true P_pred TP Fp N_pred FN TNP NTP(真正样本,与真实框IoU大于阈值的框) FP(假正样本,与真实框IoU小于阈值的框) TN(真负样本,背景)…

Leetcode—1427. 字符串的左右移【简单】Plus

2025每日刷题&#xff08;206&#xff09; Leetcode—1427. 字符串的左右移 实现代码 class Solution { public:string stringShift(string s, vector<vector<int>>& shift) {// shift[i] [dir, amount]// dir 0(左) or 1(右)// 左表示正, 右表示负int len…

机器学习10

自定义数据集 使用scikit-learn中svm的包实现svm分类 代码 import numpy as np import matplotlib.pyplot as pltclass1_points np.array([[1.9, 1.2],[1.5, 2.1],[1.9, 0.5],[1.5, 0.9],[0.9, 1.2],[1.1, 1.7],[1.4, 1.1]])class2_points np.array([[3.2, 3.2],[3.7, 2.9],…

股票入门知识

股票入门&#xff08;更适合中国宝宝体制&#xff09; 股市基础知识 本文介绍了股票的基础知识&#xff0c;股票的分类&#xff0c;各板块发行上市条件&#xff0c;股票代码&#xff0c;交易时间&#xff0c;交易规则&#xff0c;炒股术语&#xff0c;影响股价的因素&#xf…

Golang 并发机制-3:通道(channels)机制详解

并发编程是一种创建性能优化且响应迅速的软件的强大方法。Golang&#xff08;也称为 Go&#xff09;通过通道&#xff08;channels&#xff09;这一特性&#xff0c;能够可靠且优雅地实现并发通信。本文将揭示通道的概念&#xff0c;解释其在并发编程中的作用&#xff0c;并提供…

C#,入门教程(11)——枚举(Enum)的基础知识和高级应用

上一篇&#xff1a; C#&#xff0c;入门教程(10)——常量、变量与命名规则的基础知识https://blog.csdn.net/beijinghorn/article/details/123913570 不会枚举&#xff0c;就不会编程&#xff01; 枚举 一个有组织的常量系列 比如&#xff1a;一个星期每一天的名字&#xf…

读书笔记--分布式架构的异步化和缓存技术原理及应用场景

本篇是在上一篇的基础上&#xff0c;主要对分布式应用架构下的异步化机制和缓存技术进行学习&#xff0c;主要记录和思考如下&#xff0c;供大家学习参考。大家知道原来传统的单一WAR应用中&#xff0c;由于所有数据都在同一个数据库中&#xff0c;因此事务问题一般借助数据库事…

【C++】继承(下)

大家好&#xff0c;我是苏貝&#xff0c;本篇博客带大家了解C的继承&#xff08;下&#xff09;&#xff0c;如果你觉得我写的还不错的话&#xff0c;可以给我一个赞&#x1f44d;吗&#xff0c;感谢❤️ 目录 5.继承与友元6.继承与静态成员7.复杂的菱形继承及菱形虚拟继承8.继…

基于LLM的路由在专家混合应用:一种新颖的交易框架,该框架在夏普比率和总回报方面提升了超过25%

“LLM-Based Routing in Mixture of Experts: A Novel Framework for Trading” 论文地址&#xff1a;https://arxiv.org/pdf/2501.09636 摘要 随着深度学习和大语言模型&#xff08;LLMs&#xff09;的不断进步&#xff0c;混合专家&#xff08;MoE&#xff09;机制在股票投资…

Med-R2:基于循证医学的检索推理框架:提升大语言模型医疗问答能力的新方法

Med-R2 : Crafting Trustworthy LLM Physicians through Retrieval and Reasoning of Evidence-Based Medicine Med-R2框架Why - 这个研究要解决什么现实问题What - 核心发现或论点是什么How - 1. 前人研究的局限性How - 2. 你的创新方法/视角How - 3. 关键数据支持How - 4. 可…

【Blazor学习笔记】.NET Blazor学习笔记

我是大标题 我学习Blazor的顺序是基于Blazor University&#xff0c;然后实际内容不完全基于它&#xff0c;因为它的例子还是基于.NET Core 3.1做的&#xff0c;距离现在很遥远了。 截至本文撰写的时间&#xff0c;2025年&#xff0c;最新的.NET是.NET9了都&#xff0c;可能1…