Vhodny oddelovac pre binarne zaznamy

22. 10. 2020 22:18:33

Ak si vezmem nejaky jednoduchy binarny log, kde nechcem pouzivat vobec alebo vyhradne type-length-value/length-value(TLV/LV) format, ale chcem aj/len jednoducho oddelit zaznamy, aky znak alebo retazec by na to mohol byt najvhodnejsi?

Napriklad ak mam json, tak ten osetri, mimo ineho, aj n(novy riadok LF) takze n sa moze pouzit ako oddelovac zaznamov, naprikald ako v jsonl. Ale to je textovy format a mna zaujima binarny.

TLV respektive skor LV je fajn, lenze clovek musi zacat od 0 aby mohol potom skakat na dalsie zaznamy, kdezto s oddelovacom staci skocit hocikam a len citat dopredu kym sa nenajde oddelovac.

Uz som to riesil viac krat no nastastie nikdy neislo o nieco kde islo o rychle citanie a teda som mohol vzdy zacat od 0. Ale do buducna by som chcel vediet ako na to. Co fici, co sa pouziva, ako to riesia iny.

22. 10. 2020 22:18:33

https://webtrh.cz/diskuse/vhodny-oddelovac-pre-binarne-zaznamy#reply1466746

TomasX

(4 hodnocení)

23. 10. 2020 08:45:23

Používám řídící ascii znaky, které nejsou vykreslitelné. V enterprise databázích můžeš často najít BELL alias a, protože má svoji escape sekvenci. Když můžeš zapsat cokoliv tak stačí jít od začátku a používat znaky 1 2 3 atd.

Zároveň tyhle znaky můžeš bezpečně odstranit z ascii/utf textu, protože tam nemají nikdy co dělat. Ideální na ukládání formátů jako xml,json, na binární data musíš vždy používat offset a velikost případně je nejprve převést do ascii (base64).

23. 10. 2020 08:45:23

https://webtrh.cz/diskuse/vhodny-oddelovac-pre-binarne-zaznamy#reply1466745

Pablo74

23. 10. 2020 20:03:16

Asi to není co hledáš, ale existuje MessagePack.

23. 10. 2020 20:03:16

https://webtrh.cz/diskuse/vhodny-oddelovac-pre-binarne-zaznamy#reply1466744

node

(5 hodnocení)

23. 10. 2020 20:16:44

Napsal TomášX;1601555
Zároveň tyhle znaky můžeš bezpečně odstranit z ascii/utf textu, protože tam nemají nikdy co dělat. Ideální na ukládání formátů jako xml,json, na binární data musíš vždy používat offset a velikost případně je nejprve převést do ascii (base64).

no hej, ale co ked uz mam hotovy zaznam v bytovej forme kedy nemam pristup k povodnym datam pred serializovanim alebo kompresiou. tzn. nemozem si diktovat ktore znaky sa escapuju a ktore nie. proste mam uz zaznam ako []byte pole a nic viac neviem.

23. 10. 2020 20:16:44

https://webtrh.cz/diskuse/vhodny-oddelovac-pre-binarne-zaznamy#reply1466743

TomasX

(4 hodnocení)

23. 10. 2020 20:20:26

asi jsem dotaz pochopil jinak, ale pokud jde o hotové formáty, je jich opravdu dost. MessagePack je už poměrně přežitý, Z těch dnes nepoužívanějších kolem mě:

1) avro

binární plně strukturovaný formát, možnost mít schéma (používá json schema) uvnitř s daty, podpora napříč jazyky, docela parsování

2) protobuf

binární strukturovaný formát s podporou rpc, schéma je mimo data a je nutné sdílet dopředu

3) cap n proto

binární formát s nulovou režií pro enkodování/dekódování, nutnost k datům přistupovat přes getter/settery

4) arrow

právě se dostává do stabilní verze, nová hvězda, shodný paměťový layout pro data v paměti, na disku, na gpu, levné enkodóvání a parsování

5) thrift

primárně pro komunikaci mezi službami jako náhrada xmlrpc

6) messagePack (jak jsi zmiňoval)

pěkný formát s in-place editací bez enkodování, je ale těžké s ním pracovat mimo striktně typové jazyky (java, c++, D), má horší validace

Pak existují pěkné věci jako pandas, dataframe, ale to je jen pro python.

23. 10. 2020 20:20:26

https://webtrh.cz/diskuse/vhodny-oddelovac-pre-binarne-zaznamy#reply1466742

TomasX

(4 hodnocení)

23. 10. 2020 21:33:00

Napsal node;1601642
no hej, ale co ked uz mam hotovy zaznam v bytovej forme kedy nemam pristup k povodnym datam pred serializovanim alebo kompresiou. tzn. nemozem si diktovat ktore znaky sa escapuju a ktore nie. proste mam uz zaznam ako []byte pole a nic viac neviem.

tak to je boj s pravděpodobností, můžeš hledat tak dlouhou posloupnost, která tam “určitě” nebude.

Za dob kamených jsme používali trik s kompresí, komprese totiž nikdy nenechá třeba čtyři bajty po sobě nulové, takže gzip binárních hodnot a pak 0000.

Lze také nejprve projít určitý blok k uložení, zjistit co tam není a vybrat si oddělovač, který nemá konflikt, takovýhle oddělovač pak můžeš uvést v třeba v prvních dvou bajtech každého bloku dat, který bude obsahovat N zpráv.

23. 10. 2020 21:33:00

https://webtrh.cz/diskuse/vhodny-oddelovac-pre-binarne-zaznamy#reply1466741

Pro odpověď se přihlašte.

Přihlásit