如何为 GreptimeDB 开发一个 gRPC SDK
GreptimeDB 有 2 个 gRPC 服务。一个是 GreptimeDB 自己定义的，另一个是基于 Apache Arrow Flight 开发。 如果你想给用你熟悉的编程语言给 GreptimeDB 开发一个 gRPC SDK，请继续阅读本文。
目前，GreptimeDB 有 2 个 gRPC SDK，分别由 Java 和 Go 实现。参见它们的 SDK 文档：
GreptimeDatabase 服务
GreptimeDB 自定义了一个 gRPC 服务：GreptimeDatabase。你可以在这里找到它的 protobuf 描述。 GreptimeDatabase 有 2 个 RPC 方法：
service GreptimeDatabase {
rpc Handle(GreptimeRequest) returns (GreptimeResponse);
rpc HandleRequests(stream GreptimeRequest) returns (GreptimeResponse);
}service GreptimeDatabase {
rpc Handle(GreptimeRequest) returns (GreptimeResponse);
rpc HandleRequests(stream GreptimeRequest) returns (GreptimeResponse);
}Handle 方法是一个 unary 调用：当 GreptimeDB 服务接收到一个 GreptimeRequest 请求后，它立刻处理该请求并返回一个相应的 GreptimeResponse。
HandleRequests 方法则是一个 "Client Streaming RPC" 方式的调用。 它可以接受一个连续的 GreptimeRequest 请求流，持续地发给 GreptimeDB 服务。 GreptimeDB 服务会在收到流中的每个请求时立刻进行处理，并最终（流结束时）返回一个总结性的 GreptimeResponse。 通过 HandleRequests，我们可以获得一个非常高的请求吞吐量。
然而，目前 GreptimeDatabase 服务只能处理写请求。对于读请求，我们需要实现 Apache Arrow Flight 的 gRPC 客户端。
Apache Arrow Flight 服务
首先，你可以在这个仓库里找到 GreptimeDB 请求和响应的 protobuf 描述。 同时建议阅读那个仓库的 README 的 "For SDK developers" 部分。
确认 Arrow Flight RPC 官方支持你使用的编程语言。当前支持的有 C++, Java, Go, C# 和 Rust。 未来它可能支持其他语言，所以请留意它的 Implementation Status。 如果你没有找到官方支持的语言，就只能从 Arrow Flight RPC 的原始 protobuf 定义开始写 gRPC 客户端了。
现在请关注 Arrow Flight gRPC 服务的 DoGet 方法。该方法是所有 GreptimeDB 请求的入口。
DoGet 方法定义如下：
rpc DoGet(Ticket) returns (stream FlightData) {} rpc DoGet(Ticket) returns (stream FlightData) {}要发送一个 GreptimeDB 请求，首先将其序列化为字节。然后将这些字节封装进一个 protobuf 的 Ticket 消息：
message Ticket {
bytes ticket = 1;
}message Ticket {
bytes ticket = 1;
}处理 GreptimeDB 的响应有一些复杂。DoGet 是一个 "Server Streaming RPC"，它返回一个 FlightData 流。 FlightData 的 protobuf 定义是：
message FlightData {
/*
* The descriptor of the data. This is only relevant when a client is
* starting a new DoPut stream.
*/
FlightDescriptor flight_descriptor = 1;
/*
* Header for message data as described in Message.fbs::Message.
*/
bytes data_header = 2;
/*
* Application-defined metadata.
*/
bytes app_metadata = 3;
/*
* The actual batch of Arrow data. Preferably handled with minimal-copies
* coming last in the definition to help with sidecar patterns (it is
* expected that some implementations will fetch this field off the wire
* with specialized code to avoid extra memory copies).
*/
bytes data_body = 1000;
}message FlightData {
/*
* The descriptor of the data. This is only relevant when a client is
* starting a new DoPut stream.
*/
FlightDescriptor flight_descriptor = 1;
/*
* Header for message data as described in Message.fbs::Message.
*/
bytes data_header = 2;
/*
* Application-defined metadata.
*/
bytes app_metadata = 3;
/*
* The actual batch of Arrow data. Preferably handled with minimal-copies
* coming last in the definition to help with sidecar patterns (it is
* expected that some implementations will fetch this field off the wire
* with specialized code to avoid extra memory copies).
*/
bytes data_body = 1000;
}各字段的说明如下：
flight_descriptor可忽略。data_header必须首先反序列化到MessageFlatBuffer 消息。 其定义可见 "message.fbs"。Message的 header type 决定了下面两个字段如何解析。app_metadata包含了 GreptimeDB 的自定义数据。 该字段只在客户端发送了写请求（比如InsertRequest或Insert IntoSQL）之后有值。 当app_metadata非空时，Message的 header type 是None。app_metadata可以反序列化为FlightMetadata。- 对写请求的响应，
FlightMetadata只包含了 "Affected Rows"。就像Insert IntoSQL 在 MySQL 的返回值一样。 如果你不关注这个返回值，可以忽略app_metadata字段。
- 当
Message的 header type 是Schema或Recordbatch时，data_body带有读请求的实际返回数据。 你可以解析DoGet接口返回的FlightData流来得到完整的读请求结果。 通常情况下，FlightData流的首个元素是整个读请求结果的 schema。剩下的元素则是 recordbatch。 schema 用于解析后续的 recordbatch，需要保存在某个上下文中。
这里我们提供了一个解析 DoGet 返回的 FlightData 流的伪代码例子：
Context {
schema: Schema
}
Result {
affected_rows: int
recordbatches: List<Recordbatch>
}
function decode_do_get_stream(flight_datas: List<FlightData>) -> Result {
result = Result
context = Context
for flight_data in flight_datas {
decode(flight_data, context, result);
}
return result;
}
function decode(flight_data: FlightData, context: Context, result: Result) {
message = Message::deserialize(flight_data.data_header);
switch message.header_type {
case None:
flight_metadata = FlightMetadata::deserialize(flight_data.app_metadata);
result.affected_rows = flight_metadata.affected_rows;
case Schema:
context.schema = Schema::deserialize(flight_data.data_body);
case Recordbatch:
recordbatch = Recordbatch::deserialize(
flight_data.data_body,
context.schema
);
result.recordbatches.push(recordbatch);
}
}Context {
schema: Schema
}
Result {
affected_rows: int
recordbatches: List<Recordbatch>
}
function decode_do_get_stream(flight_datas: List<FlightData>) -> Result {
result = Result
context = Context
for flight_data in flight_datas {
decode(flight_data, context, result);
}
return result;
}
function decode(flight_data: FlightData, context: Context, result: Result) {
message = Message::deserialize(flight_data.data_header);
switch message.header_type {
case None:
flight_metadata = FlightMetadata::deserialize(flight_data.app_metadata);
result.affected_rows = flight_metadata.affected_rows;
case Schema:
context.schema = Schema::deserialize(flight_data.data_body);
case Recordbatch:
recordbatch = Recordbatch::deserialize(
flight_data.data_body,
context.schema
);
result.recordbatches.push(recordbatch);
}
}你也可以参考我们的 Rust client 对 FlightData 的解析方式。