ZIP壓縮算法詳細分析及解壓實例解釋_第1頁
ZIP壓縮算法詳細分析及解壓實例解釋_第2頁
ZIP壓縮算法詳細分析及解壓實例解釋_第3頁
ZIP壓縮算法詳細分析及解壓實例解釋_第4頁
ZIP壓縮算法詳細分析及解壓實例解釋_第5頁
已閱讀5頁,還剩10頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

最近自己實現(xiàn)了一個ZIP壓縮數(shù)據(jù)的解壓程序,覺得有必要把ZIP壓縮格式進行一下詳細總結(jié),數(shù)據(jù)壓縮是一門通信原理和計算機科學都會涉及到的學科,在通信原理中,一般稱為信源編碼,在計算機科學里,一般稱為數(shù)據(jù)壓縮,兩者本質(zhì)上沒啥區(qū)別,在數(shù)學家看來,都是映射。一方面在進行通信的時候,有必要將待傳輸?shù)臄?shù)據(jù)進行壓縮,以減少帶寬需求;另一方面,計算機存儲數(shù)據(jù)的時候,為了減少磁盤容量需求,也會將文件進行壓縮,盡管現(xiàn)在的網(wǎng)絡帶寬越來越高,壓縮巳經(jīng)不像90年代初那個時候那么迫切,但在很多場合下仍然需要,其中一個原因是壓縮后的數(shù)據(jù)容量減小后,磁盤訪問IO的時間也縮短,盡管壓縮和解壓縮過程會消耗CPU資源,但是CPU計算資源增長得很快,但是磁盤IO資源卻變化得很慢,比如目前主流的SATA硬盤仍然是7200轉(zhuǎn),如果把磁盤的IO壓力轉(zhuǎn)化到CPU上,總體上能夠提升系統(tǒng)運行速度。壓縮作為一種非常典型的技術,會應用到很多很多場合下,比如文件系統(tǒng)、數(shù)據(jù)庫、消息傳輸、網(wǎng)頁傳輸?shù)鹊雀黝悎龊?。盡管壓縮里面會涉及到很多術語和技術,但無需擔心,博主盡量將其描述得通俗易懂。另外,本文涉及的壓縮算法非常主流并且十分精巧,理解了ZIP的壓縮過程,對理解其它相關的壓縮算法應該就比較容易了。1、引子壓縮可以分為無損壓縮和有損壓縮,有損,指的是壓縮之后就無法完整還原原始信息,但是壓縮率可以很高,主要應用于視頻、話音等數(shù)據(jù)的壓縮,因為損失了一點信息,人是很難察覺的,或者說,也沒必要那么清晰照樣可以看可以聽;無損壓縮則用于文件等等必須完整還原信息的場合,ZIP自然就是一種無損壓縮,在通信原理中介紹數(shù)據(jù)壓縮的時候,往往是從信息論的角度出發(fā),引出香農(nóng)所定義的熵的概念,這方面的介紹實在太多,這里換一種思路,從最原始的思想出發(fā),為了達到壓縮的目的,需要怎么去設計算法。而ZIP為我們提供了相當好的案例。盡管我們不去探討信息論里面那些復雜的概念,不過我們首先還是要從兩位信息論大牛談起。因為是他們奠基了今天大多數(shù)無損數(shù)據(jù)壓縮的核心,包括ZIP、RAR、GZIP、GIF、PNG等等大部分無損壓縮格式。這兩位大牛的名字分別是JacobZiv和AbrahamLempel,是兩位以色列人,在1977年的時候發(fā)表了一篇論文《AUniversalAlgorithmforSequentialDataCompression》,從名字可以看出,這是一種通用壓縮算法,所謂通用壓縮算法,指的是這種壓縮算法沒有對數(shù)據(jù)的類型有什么限定。不過論文我覺得不用仔細看了,因為博主作為一名通信專業(yè)的PHD,看起來也焦頭爛額,不過我們后面可以看到,它的思想還是很簡單的,之所以看起來復雜,主要是因為IEEE的某些雜志就是這個特點,需要從數(shù)學上去證明,這種壓縮算法到底有多優(yōu),比如針對一個各態(tài)歷經(jīng)的隨機序列(不用追究什么叫各態(tài)歷經(jīng)隨機序列),經(jīng)過這樣的壓縮算法后,是否可以接近信息論里面的極限(也就是前面說的熵的概念)等等,不過在理解其思想之前,個人認為沒必要深究這些東西,除非你要發(fā)論文。這兩位大牛提出的這個算法稱為LZ77,兩位大牛過了一年又提了一個類似的算法,稱為LZ78,思想類似,ZIP這個算法就是基于LZ77的思想演變過來的,但ZIP對LZ77編碼之后的結(jié)果又繼續(xù)進行壓縮,直到難以壓縮為止。除了LZ77、LZ78,還有很多變種的算法,基本都以LZ開頭,如LZW、LZO、LZMA、LZSS、LZR、LZB、LZH、LZC、LZT、LZMW、LZJ、LZFG等等,非常多,LZW也比較流行,GIF那個動畫格式記得用了LZW。我也寫過解碼程序,以后有時間可以再寫一篇,但感覺跟LZ77這些類似,寫的必要性不大。ZIP的作者是一個叫PhilKatz的人,這個人算是開源界的一個具有悲劇色彩的傳奇人物。雖然二三十年前,開源這個詞還沒有現(xiàn)在這樣風起云涌,但是總有一些具有黑客精神的牛人,內(nèi)心里面充滿了自由,無論他處于哪個時代。PhilKatz這個人是個牛逼程序員,成名于DOS時代,我個人也沒有經(jīng)歷過那個時代,我是從Windows98開始接觸電腦的,只是從書籍中得知,那個時代網(wǎng)速很慢,撥號使用的是只有幾十Kb(比特不是字節(jié))的貓,56Kb實際上是這種貓的最高速度,在ADSL出現(xiàn)之后,這種技術被迅速淘汰。當時記錄文件的也是硬盤,但是在電腦之間拷貝文件的是軟盤,這個東西我大一還用過,最高容量記得是1.44MB,這還是200X年的軟盤,以前的軟盤容量具體多大就不知道了,PhilKatz上網(wǎng)的時候還不到1990年,WWW實際上就沒出現(xiàn),瀏覽器當然是沒有的,當時上網(wǎng)干嘛呢?基本就是類似于網(wǎng)管敲各種命令,這樣實際上也可以聊天、上論壇不是嗎,傳個文件不壓縮的話肯定死慢死慢的,所以壓縮在那個時代很重要。當時有個商業(yè)公司提供了一種稱為ARC的壓縮軟件,可以讓你在那個時代聊天更快,當然是要付費的,PhilKatz就感覺到不爽,于是寫了一個PKARC,免費的,看名字知道是兼容ARC的,于是網(wǎng)友都用PKARC了,ARC那個公司自然就不爽,把哥們告上了法庭,說牽涉了知識產(chǎn)權等等,結(jié)果PhilKatz坐牢了。。。牛人就是牛人,在牢里面冥思苦想,決定整一個超越ARC的牛逼算法出來,牢里面就是適合思考,用了兩周就整出來的,稱為PKZIP,不僅免費,而且這次還開源了,直接公布源代碼,因為算法都不一樣了,也就不涉及到知識產(chǎn)權了,于是ZIP流行開來,不過PhilKatz這個人沒有從里面賺到一分錢,還是窮困潦倒,因為喝酒過多等眾多原因,2000年的時候死在一個汽車旅館里。英雄逝去,精神永存,現(xiàn)在我們用UE打開ZIP文件,我們能看到開頭的兩個字節(jié)就是PK兩個字符的ASCII碼。2、一個案例的入門思考好了,PhilKatz在牢里面到底思考了什么?用什么樣的算法來壓縮數(shù)據(jù)呢?我們想一個簡單的例子:生,容易。活,容易。生活,不容易。上面這句話假如不壓縮,如果使用Unicode編碼,每個字會用2個字節(jié)表示。為什么是兩個字節(jié)呢?Unicode是一種國際標準,把常見各國的字符,比如英文字符、日文字符、韓文字符、中文字符、拉丁字符等等全部制定了一個標準,顯然,用2個字節(jié)可以最多表示2^16=65536個字符,那么65536就夠了嗎?生僻字其實是很多的,比如光康熙字典里面收錄的漢字就好幾萬,所以實際上是不夠的,那么是不是擴到4個字節(jié)?也可以,這樣空間倒是變大了,可以收錄更多字符,但一方面擴到4個字節(jié)就一定保證夠嗎?另一方面,4個字節(jié)是不是太浪費空間了,就為了那些一般情況都不會出現(xiàn)的生僻字?所以,一般情況下,使用2個字節(jié)表示,當出現(xiàn)生僻字的時候,再使用4個字節(jié)表示。這實際上就體現(xiàn)了信息論中數(shù)據(jù)壓縮基本思想,出現(xiàn)頻繁的那些字符,表示得短一些;出現(xiàn)稀少的,可以表示得長些(反正一般情況下也不會出現(xiàn)),這樣整體長度就會減小。除了。nicode,ASCII編碼是針對英文字符的編碼方案,用1個字節(jié)即可,除了這兩種編碼方案,還有很多地區(qū)性的編碼方案,比如GB2312可以對中文簡體字進行編碼,Big5可以對中文繁體字進行編碼。兩個文件如果都使用一種編碼方案,那是沒有問題的,不過考慮到國際化,還是盡量使用Unicode這種國際標準吧。不過這個跟ZIP沒啥關系,純屬背景介紹。好了,回到我們前面說的例子,一共有17個字符(包括標點符號),如果用普通Unicode表示,一共是17*2=34字節(jié)??刹豢梢詨嚎s呢?所有人一眼都可以看出里面出現(xiàn)了很多重復的字符,比如里面出現(xiàn)了好多次容易(實際上是容易加句號三個字符)這個詞,第一次出現(xiàn)的時候用普通的Unicode,第二次出現(xiàn)的''容易?!眲t可以用(距離、長度)表示,距離的意思是接下來的字符離前面重復的字符隔了幾個,長度則表示有幾個重復字符,上面的例子的第二個''容易?!本捅硎緸椋?,3),就是距離為5個字符,長度是3,在解壓縮的時候,解到這個地方的時候,往前跳5個字符,把這個位置的連續(xù)3個字符拷貝過來就完成了解壓縮,這實際上不就是指針的概念?沒有錯,跟指針很類似,不過在數(shù)據(jù)壓縮領域,一般稱為字典編碼,為什么叫字典呢,當我們?nèi)ゲ橐粋€字的時候,我們總是先去目錄查找這個字在哪一頁,再翻到那一頁去看,指針不也是這樣,指針不就是內(nèi)存的地址,要對一個內(nèi)存進行操作,我們先拿到指針,然后去那塊內(nèi)存去操作。所謂的指針、字典、索引、目錄等等術語,不同的背景可能稱呼不同,但我們要理解他們的本質(zhì)。如果使用(5,3)這種表示方法,原來需要用6個字節(jié)表示,現(xiàn)在只需要記錄5和3即可。那么,5和3怎么記錄呢?一種方法自然還是可以用Unicode,那么就相當于節(jié)省了2個字節(jié),但是有兩個問題,第一個問題是解壓縮的時候怎么知道是正常的5和3這兩個字符,還是這只是一個特殊標記呢?所以前面還得加一個標志來區(qū)分一下,到底接下來的Unicode碼是指普通字符,還是指距離和長度,如果是普通Unicode,則直接查Unicode碼表,如果是距離和長度,則往前面移動一段距離,拷貝即可。第二個問題,還是壓縮程度不行,這么一弄,感覺壓縮不了多少,如果重復字符比較長那倒是比較劃算,因為反正''距離+長度”就夠了,但比如這個例子,如果5和3前面加一個特殊字節(jié),豈不是又是3個字節(jié),那還不如不壓縮。咋辦呢?能不能對(5,3)這種整數(shù)進行再次壓縮?這里就利用了我們前面說的一個基本原則:出現(xiàn)的少的整數(shù)多編一些比特,出現(xiàn)的多的整數(shù)少編一些比特。那么,比如3、4、5、6、7、8、9這些距離誰出現(xiàn)得多?誰出現(xiàn)的少呢?誰知道?壓縮之前當然不知道,不過掃描一遍不就知道了?比如,后面那個重復的字符串''容易?!卑凑涨懊娴囊?guī)則可以表示為(7,3),即離前面重復的字符串距離為7,長度為3。(7,3)指著前面跟自己一樣那個字符串。那么,為什么不指著第一個''容易?!币钢诙€''容易。”呢?如果指著第一個,那就不是(7,3)了,就是(12,3)了。當然,表示為(12,3)也可以解壓縮,但是有一個問題,就是12這個值比7大,大了又怎么了?我們在生活中會發(fā)現(xiàn)一些普遍規(guī)律,重復現(xiàn)象往往具有局部性。比如,你跟一個人說話,你說了一句話以后,往往很快會重復一遍,但是你不會隔了5個小時又重復這句話,這種特點在文件里面也存在著,到處都是這種例子,比如你在編程的時候,你定義了一個變量intnCount,這個nCount一般你很快就會用到,不會離得很遠。我們前面所說的距離代表了你隔了多久再說這句話,這個距離一般不大,既然如此,應該以離當前字符串距離最近的那個作為記錄的依據(jù)(也就是指向離自己最近那個重復字符串),這樣的話,所有的標記都是一些短距離,比如都是3、4、5、6、7而不會是3、5、78、965等等,如果大多數(shù)都是一些短距離,那么這些短距離就可以用短一些的比特表示,長一些的距離不太常見,則用一些長一些的比特表示。這樣,總體的表示長度就會減少。好了,我們前面得到了(5,3)、(7、3)這種記錄重復的表示,距離有兩種:5、7;長度只有1種:3。咋編碼?越短越好。既然表示的比特越短越好,3表示為0、5表示為10、7表示為11,行不行?這樣(5,3),(7,3)就只需要表示為100、110,這樣豈不是很短?貌似可以,貌似很高效。但解壓縮遇到10這兩個比特的時候,怎么知道10表示5呢?這種表示方法是一個映射表,稱為碼表。我們設計的上面這個例子的碼表如下:3-->05-->107-->11這個碼表也得傳過去或者記錄在壓縮文件里才行啊,否則無法解壓縮,但會不會記錄了碼表以后整體空間又變大了,會不會起不到壓縮的作用?而且一個碼表怎么記錄?碼表記錄下來也是一堆數(shù)據(jù),是不是也需要編碼?碼表是否可以繼續(xù)壓縮?那豈不是又需要新的碼表?壓縮會不會是一個永無止境的過程?作為一個入門級的同學,大概想到這兒就不容易想下去了。3、ZIP中的LZ編碼思想上面我們說的重復字符串用指針標記記錄下來,這種方法就是LZ這兩個人提出來的,理解起來比較簡單。后面分析(5,3)這種指針標記應該怎么編碼的時候,就涉及到一種非常廣泛的編碼方式,Huffman編碼,Huffman大致和香農(nóng)是一個時代的人,這種編碼方式是他在MIT讀書的時候提出來的。接下來,我們來看看ZIP是怎么做的。以上面的例子,一個很簡單的示意圖如下:可以看出,ZIP中使用的LZ77算法和前面分析的類似,當然,如果仔細對比的話,ZIP中使用的算法和LZ提出來的LZ77算法其實還是有差異的,不過我建議不用仔細去扣里面的差異,思想基本是相同的,我們后面會簡要分析一下兩者的差異。LZ77算法一般稱為''滑動窗口壓縮”,我們前面說過,該算法的核心是在前面的歷史數(shù)據(jù)中尋找重復字符串,但如果要壓縮的文件有100MB,是不是從文件頭開始找?不是,這里就涉及前面提過的一個規(guī)律,重復現(xiàn)象是具有局部性的,它的基本假設是,如果一個字符串要重復,那么也是在附近重復,遠的地方就不用找了,因此設置了一個滑動窗口,ZIP中設置的滑動窗口是32KB,那么就是往前面32KB的數(shù)據(jù)中去找,這個32KB隨著編碼不斷進行而往前滑動。當然,理論上講,把滑動窗口設置得很大,那樣就有更大的概率找到重復的字符串,壓縮率不就更高了?初看起來如此,找的范圍越大,重復概率越大,不過仔細想想,可能會有問題,一方面,找的范圍越大,計算量會增大,不顧一切地增大滑動窗口,甚至不設置滑動窗口,那樣的軟件可能不可用,你想想,現(xiàn)在這種方式,我們在壓縮一個大文件的時候,速度都巳經(jīng)很慢了,如果增大滑動窗口,速度就更慢,從工程實現(xiàn)角度來說,設置滑動窗口是必須的;另一方面,找的范圍越大,距離越遠,出現(xiàn)的距離很多,也不利于對距離進行進一步壓縮吧,我們前面說過,距離和長度最好出現(xiàn)的值越少越好,那樣更好壓縮,如果出現(xiàn)的很多,如何記錄距離和長度可能也存在問題。不過,我相信滑動窗口設置得越大,最終的結(jié)果應該越好一些,不過應該不會起到特別大的作用,比如壓縮率提高了5%,但計算量增加了10倍,這顯然有些得不償失。在第一個圖中,''容易?!笔且粋€重復字符串,距離distance=5,字符串長度length=3。當對這三個字符壓縮完畢后,接下來滑動窗口向前移動3個字符,要壓縮的是''我...”這個字符串,但這個串在滑動窗口內(nèi)沒找到,所以無法使用distance+length的方式記錄。這種結(jié)果稱為literaloliteral的中文含義是原義的意思,表示沒有使用distance+length的方式記錄的那些普通字符。literal是不是就用原始的編碼方式,比如Unicode方式表示?ZIP里不是這么做的,ZIP把literal認為也是一個數(shù),盡管不能用distance+length表示,但不代表不可以繼續(xù)壓縮。另外,如果'我"出現(xiàn)在了滑動窗口內(nèi),是不是就可以用distance+length的方式表示?也不是,因為一個字出現(xiàn)重復,不值得用這種方式表示,兩個字呢?distance+length就是兩個整數(shù),看起來也不一定值得,ZIP中確實認為2個字節(jié)如果在滑動窗口內(nèi)找到重復,也不管,只有3個字節(jié)以上的重復字符串,才會用distance+length表示,重復字符串的長度越長越好,因為不管多長,都用distance+length表示就行了。這樣的話,一段字符串最終就可以表示成literal、distance+length這兩種形式了。LZ系列算法的作用到此為止,下面,PhilKatz考慮使用Huffman對上面的這些LZ壓縮后的結(jié)果進行二次壓縮。個人認為接下來的過程才是ZIP的核心,所以我們要熟悉一下Huffman編碼。4、ZIP中的Huffman編碼思想上面LZ壓縮結(jié)果有三類(literal、distance、length),我們拿出distance一類來舉例。distance代表重復字符串離前一個一模一樣的字符串之間的距離,是一個大于0的整數(shù)。如何對一個整數(shù)進行編碼呢?一種方法是直接用固定長度表示,比如采用計算機里面描述一個4字節(jié)整數(shù)那樣去記錄,這也是可以的,主要問題當然是浪費存儲空間,在ZIP中,distance這個數(shù)表示的是重復字符串之間的距離,顯然,一般而言,越小的距離,出現(xiàn)的數(shù)量可能越多,而越大的距離,出現(xiàn)的數(shù)量可能越少,那么,按照我們前面所說的原則,小的值就用較少比特表示,大的值就用較多比特表示,在我們這個場景里,distance當然也不會無限大,比如不會超過滑動窗口的最大長度,假如對一個文件進行LZ壓縮后,得到的distance值為:3、6、4、3、4、3、4、3、5這個例子里,3出現(xiàn)了4次,4出現(xiàn)了3次,5出現(xiàn)了1次,6出現(xiàn)了1次。當然,不同的文件得到的結(jié)果不同,這里只是舉一個典型的例子,因為只有4種值,所以我們沒有必要對其它整數(shù)編碼。只需要對這4個整數(shù)進行編碼即可。那么,怎么設計一個算法,符合3的編碼長度最短?6的編碼長度最長這種直觀上可行的原則(我們并沒有說這是理論上最優(yōu)的方式)呢?看起來似乎很難想出來。我們先來簡化一下,用固定長度表示。這里有4個整數(shù),只要使用2個比特表示即可。于是這樣表示就很簡單:00-->3;01-->4;10-->5;11-->6o00、01這種編碼結(jié)果稱為碼字,碼字的平均長度是2。上面這個對應關系即為碼表,在壓縮時,需要將碼表放在最前面,后面的數(shù)字就用碼字表示,解碼時,先把碼表記錄在內(nèi)存里,比如用一個哈希表記錄下來,解壓縮時,遇到00,就解碼為3等等。因為出現(xiàn)了9個數(shù),所以全部碼字總長度為18個比特。(我們暫時不考慮記錄碼表到底要占多少空間)想要編碼結(jié)果更短,因為3出現(xiàn)的最多,所以考慮把3的碼字縮短點,比如3是不是可以用1個比特表示,這樣才算縮短吧,因為0和1只是二進制的一個標志,所以用0還是1沒有本質(zhì)區(qū)別,那么,我們暫定把3用比特0表示。那么,4、5、6還能用0開頭的碼字表示呢?這樣會存在問題,因為4、5、6的編碼結(jié)果如果以0開頭,那么,在解壓縮的時候,遇到比特0,就不知道是表示3還是表示4、5、6了,就無法解碼,當然,似乎理論上也不是不可以,比如可以往后解解看,比如假定0表示3的條件下往后解,如果無效則說明這個假設不對,但這種方式很容易出現(xiàn)兩個字符串的編碼結(jié)果是一樣的,這個誰來保證?所以,4、5、6都得以1開頭才行,那么,按照這個原則,4用1個比特也不行,因為5、6要么以0開頭,要么以1開頭,就無法編碼了,所以我們將4的碼字增加至2個比特,比如10,于是我們得到了部分碼表:0-->3;10-->4。按照這個道理,5、6既不能以0開頭,也不能以10開頭了,因為同樣存在無法解碼的問題,所以5應該以11開頭,就定為11行不行呢?也不行,因為6就不知道怎么編碼了,6也不能以0開頭,也不能以10、11開頭,那就無法表示了,所以,迫不得巳,我們必須把5擴展一位,比如110,那么,6顯然就可以用111表示了,反正也沒有其他數(shù)了。于是我們得到了最終的碼表:0-->3;10-->4;110-->5;111-->6??雌饋?,編碼結(jié)果只能是這樣了,我們來算一下,碼字的總長度減少了沒有,原來的9個數(shù)是3、6、4、3、4、3、4、3、5,分別對應的碼字是:0、111、10、0、10、0、10、0、110算一下,總共16個比特,果然比前面那種方式變短了。我們在前面的設計過程中,是按照這些值出現(xiàn)次數(shù)由高到底的順序去找碼字的,比如先確定3,再確定4、5、6等等。按照一個碼字不能是另一個碼字的前綴這一規(guī)則,逐步獲得所有的碼字。這種編碼規(guī)則有一個專用術語,稱為前綴碼oHuffman編碼基本上就是這么做的,把出現(xiàn)頻率排個序,然后逐個去找,這個逐個去找的過程,就引入了二叉樹。不過Huffman的算法一般是從頻率由低到高排序,從樹的下面依次往上合并,不過本質(zhì)上沒區(qū)別,理解思想即可。上面的結(jié)果可以用一顆二叉樹表示為下圖:這棵樹也稱為碼樹,其實就是碼表的一種形式化描述,每個節(jié)點(除了葉子節(jié)點)都會分出兩個分支,左分支代表比特0,右邊分支代表1,從根節(jié)點到葉子節(jié)點的一個比特序列就是碼字。因為只有葉子節(jié)點可以是碼字,所以這樣也符合一個碼字不能是另一個碼字的前綴這一原則。說到這里,可以說一下另一個話題,就是一個映射表map在內(nèi)存中怎么存儲,沒有相關經(jīng)驗的可以跳過,map實現(xiàn)的是key-->value這樣的一個表,map的存儲一般有哈希表和樹形存儲兩類,樹形存儲就可以采用上面這棵樹,樹的中間節(jié)點并沒有什么含義,葉子節(jié)點的值表示value,從根節(jié)點到葉子節(jié)點上分支的值就是key,這樣比較適合存儲那些key由多個不等長字符組成的場合,比如key如果是字符串,那么把二叉樹的分支擴展很多,成為多叉樹,每個分支就是a,b,c,d這種字符,這棵樹也就是Trie樹,是一種很好使的數(shù)據(jù)結(jié)構(gòu)。利用樹的遍歷算法,就實現(xiàn)了一個有序Map。好了,我們理解了Huffman編碼的思想,我們來看看distance的實際情況。ZIP中滑動窗口大小固定為32KB,也就是說,distance的值范圍是1-32768。那么,通過上面的方式,統(tǒng)計頻率后,就得到32768個碼字,按照上面這種方式可以構(gòu)建出來。于是我們會遇到一個最大的問題,那就是這棵樹太大了,怎么記錄呢?好了,個人認為到了ZIP的核心了,那就是碼樹應該怎么縮小,以及碼樹怎么記錄的問題。5、ZIP中Huffman碼樹的記錄方式分析上面的例子,看看這個碼表:0-->3;10-->4;110-->5;111-->6。我們之前提過,0和1就是二進制的一個標志,互換一下其實根本不影響編碼長度,所以,下面的碼表其實是一樣的:1-->3;00-->4;010-->5;011-->6。1-->3;01-->4;000-->5;001-->6。0-->3;11-->4;100-->5;101-->6。。。。。。這些都可以,而且編碼長度完全一樣,只是碼字不同而巳。對比一下第一個和第二個例子,對應的碼樹是這個樣子:也就是說,我們把碼樹的任意節(jié)點的左右分支旋轉(zhuǎn)(0、1互換),也可以稱為樹的左右互換,其實不影響編碼長度,也就是說,這些碼表其實都是一樣好的,使用哪個都可以。這個規(guī)律暗示了什么信息呢?暗示了碼表可以怎么記錄呢?PhilKatz當年在牢里也深深地思考了這一問題。為了體會PhilKatz當時的心情,我們有必要盯著這兩棵樹思考幾分鐘:怎么把一顆樹用最少的比特記錄下來?PhilKatz當時思考的邏輯我猜是這樣的,既然這些樹的壓縮程度都一樣,那干脆使用最特殊的那棵樹,反正壓縮程度都一樣,只要ZIP規(guī)定了這棵樹的特殊性,那么我記錄的信息就可以最少,這種特殊化的思想在后面還會看到。不同的樹當然有不同的特點,比如數(shù)據(jù)結(jié)構(gòu)里面常見的平衡樹也是一類特殊的樹,他選的樹就是左邊那棵,這棵樹有一個特點,越靠左邊越淺,越往右邊越深,是這些樹中最不平衡的樹。ZIP里的壓縮算法稱為Deflate算法,這棵樹也稱為Deflate樹,對應的解壓縮算法稱為Inflate,Deflate的大致意思是把輪胎放氣了,意為壓縮;Inflate是給輪胎打氣的意思,意為解壓。那么,Deflate樹的特殊性又帶來什么了?揭曉答案吧,PhilKatz認為換來換去只有碼字長度不變,如果規(guī)定了一類特殊的樹,那么就只需要記錄碼字長度即可。比如,一個有效的碼表是0-->3;10-->4;110-->5;111-->6。但只需要記錄這個對應關系即可:34561233也就是說,把1、2、3、3記錄下來,解壓一邊照著左邊那棵樹的形狀構(gòu)造一顆樹,然后只需要1、2、3、3這個信息自然就知道是0、10、110、111。這就是PhilKatz想出來的ZIP最核心的一點:這棵碼樹用碼字長度序列記錄下來即可。當然,只把1、2、3、3這個序列記錄下來還不行,比如不知道111對應5還是對應6?所以,構(gòu)造出樹來只是知道了有哪些碼字了,但是這些碼字到底對應哪些整數(shù)還是不知道。PhilKatz于是又出現(xiàn)了一個想法:記錄1、2、3、3還是記錄1、3、2、3,或者3、3、2、1,其實都能構(gòu)造出這棵樹來,那么,為什么不按照一個特殊的順序記錄呢?這個順序就是整數(shù)的大小順序,比如上面的3、4、5、6是整數(shù)大小順序排列的,那么,記錄的順序就是1、2、3、3。而不是2、3、3、1。好了,根據(jù)1、2、3、3這個信息構(gòu)造出了碼字,這些碼字對應的整數(shù)一個比一個大,假如我們知道編碼前的整數(shù)就是3、4、5、6這四個數(shù),那就能對應起來了,不過到底是哪四個還是不知道啊?這個整數(shù)可以表示距離啊,距離不知道怎么去解碼LZ?PhilKatz又想了,既然distance的范圍是1-32768,那么就按照這個順序記錄。上面的例子1和2沒有,那就記錄長度0。所以記錄下來的碼字長度序列為:0、0、1、2、3、3、0、0、0、0、0、。。。。。。。。。。。。這樣就知道構(gòu)造出來的碼字對應哪個整數(shù)了吧,但因為distance可能的值很多(32768個),但實際出現(xiàn)的往往不多,中間會出現(xiàn)很多0(也就是根本就沒出現(xiàn)這個距離),不過這個問題倒是可以對連續(xù)的0做個特殊標記,這樣是不是就行了呢?還有什么問題?我們還是要站在時代的高度來看待這個問題。我們明白,每個distance肯定對應唯一一個碼字,使用Huffman編碼可以得到所有碼字,但是因為distance可能非常多,雖然一般不會有32768這么多,但對一個大些的文件進行LZ編碼,distance上千還是很正常的,所以這棵樹很大,計算量、消耗的內(nèi)存都容易超越了那個時代的硬件條件,那么怎么辦呢?這里再次體現(xiàn)了PhilKatz對Huffman編碼掌握的深度,他把distance劃分成多個區(qū)間,每個區(qū)間當做一個整數(shù)來看,這個整數(shù)稱為DistanceCode。當一個distance落到某個區(qū)間,則相當于是出現(xiàn)了那個Code,多個distance對應于一個DistanceCode,Distance雖然很多,但DistanceCode可以劃分得很少,只要我們對Code進行Huffman編碼,得到Code的編碼后,DistanceCode再根據(jù)一定規(guī)則擴展出來。那么,劃分多少個區(qū)間?怎么劃分區(qū)間呢?我們分析過,越小的距離,出現(xiàn)的越多;越大的距離,出現(xiàn)的越少,所以這種區(qū)間劃分不是等間隔的,而是越來越稀疏的,類似于下面的劃分:1、2、3、4這四個特殊distance不劃分,或者說1個Distance就是1個區(qū)間;5,6作為一個區(qū)間;7、8作為一個區(qū)間等等,基本上,區(qū)間的大小都是1、2、4、8、16、32這么遞增的,越往后,涵蓋的距離越多。為什么這么分呢?首先自然是距離越小出現(xiàn)頻率越高,所以距離值小的時候,劃分密一些,這樣相當于一個放大鏡,可以對小的距離進行更精細地編碼,使得其編碼長度與其出現(xiàn)次數(shù)盡量匹配;對于距離較大那些,因為出現(xiàn)頻率低,所以可以適當放寬一些。另一個原因是,只要知道這個區(qū)間Code的碼字,那么對于這個區(qū)間里面的所有distance,后面追加相應的多個比特即可,比如,17-24這個區(qū)間的Huffman碼字是110,因為17-24這個區(qū)間有8個整數(shù),于是按照下面的規(guī)則即可獲得其distance對應的碼字:->110000->110001->110010->110011->110100->110101->110110->110111這樣計算復雜度和內(nèi)存消耗是不是很小了,因為需要進行Huffman編碼的整數(shù)一下字變少了,這棵樹不會多大,計算起來時間和空間復雜度降低,擴展起來也比較簡單。當然,從理論上來說,這樣的編碼方式實際上將編碼過程分為了兩級,并不是理論上最優(yōu)的,把所有distance當作一個大空間去編碼才可能得到最優(yōu)結(jié)果,不過還是那句話,工程實現(xiàn)的限制,在壓縮軟件實現(xiàn)上,我們不能用壓縮率作為衡量一個算法優(yōu)劣的唯一指標,其實耗費的時間和空間同樣是指標,所以需要看綜合指標。很多其他軟件也一樣,擴展性、時間空間復雜度、穩(wěn)定性、移植性、維護的方便性等等是工程上很重要的東西。我沒有看過RAR是如何壓縮的,有可能是在類似的地方進行了改進,如果如此,那也是站在巨人的肩膀上,而且硬件條件不同,進行一些改進也并不奇怪。具體來說,PhilKatz把distance劃分為30個區(qū)間,如下圖:這個圖是我從DavidSalomon的《DataCompressionTheCompleteReference這本書(第四版)中拷貝出來的,下面的有些圖也是,如果需要對數(shù)據(jù)壓縮進行全面的了解,這本書幾乎是最全的了,強烈推薦。當然,你要問為什么是30個區(qū)間,我也沒分析過,也許是復雜度和壓縮率經(jīng)過試驗之后的一種折中吧。其中,左邊的Code表示區(qū)間的編號,是0-29,共30個區(qū)間,這只是個編號,沒有特別的含義,但Huffman就是對0-29這30個Code進行編碼的,得到區(qū)間的碼字;bits表示distance的碼字需要在Code的碼字基礎上擴展幾位,比如0就表示不擴展,最大的13表示要擴展13位,因此,最大的區(qū)間包含的distance數(shù)量為8192個。Distance一列則表示這個區(qū)間涵蓋的distance范圍。理解了碼樹如何有效記錄,以及如何縮小碼樹的過程,我覺得就理解了ZIP的精髓。6、ZIP中l(wèi)iteral和length的壓縮方式說完了distance,LZ編碼結(jié)果還有兩類:literal和length。這兩類也利用了類似于distance的方式進行壓縮。前面分析過,literal表示未匹配的字符,我們前面之所以拿漢字來舉例,完全是為了便于理解,ZIP之所以是通用壓縮,它實際上是針對字節(jié)作為基本字符來編碼的,所以一個literal至多有256種可能。length表示重復字符串長度,length=1當然不會出現(xiàn),因為一個字符不值得用distance+length去記錄,重復字符串當然越長越好,PhilKatz(下面還是簡稱PK了,拷貝太麻煩)認為,length=2也不值得用這種方式記錄,還是太短了,所以PK把length最小值認為是3,必須3個以上字符的字符串出現(xiàn)重復才用distance+length記錄。那么,最大的length是多少呢?理論上當然可以很長很長,比如一個文件就是連續(xù)的0,這個重復字符串長度其實接近于這個文件的實際長度。但是PK把length的范圍做了限制,限定length的個數(shù)跟literal一樣,也只有256個,因為PK認為,一個重復字符串達到了256個巳經(jīng)很長了,概率非常??;另外,其實哪怕超過了256,我還是認為是一段256再加上另外一段,增加一個distance+length就行了嘛,并不影響結(jié)果。而且這樣做,我想同樣也考慮了硬件條件吧。初看有點奇怪的在于,將literal和length二者合二為一,什么意思呢?就是對這兩種整數(shù)(literal本質(zhì)上是一個字節(jié))共用一個Huffman碼表,一會兒解釋為什么。PK對Huffman的理解我覺得達到了爐火純青的地步,前面巳經(jīng)看到,后面還會看到。他認為Huffman編碼的輸入反正說白了就是一個集合的元素就行,無論這個元素是啥,所以多個集合看做一個集合當作Huffman編碼的輸入沒啥問題。literal用整數(shù)0-255表示,256是一個結(jié)束標志,解碼以后結(jié)果是256表示解碼結(jié)束;從257開始表示length,所以257這個數(shù)表示length=3,258這個數(shù)表示length=4等等,但PK也不是一直這么一一對應,和distance一樣,也是把length(總共256個值)劃分為29個區(qū)間,其結(jié)果如下圖:其中的含義和distance類似,不再贅述,所以literal/length這個Huffman編碼的輸入元素一共285個,其中256表示解碼結(jié)束標志。為什么要把二者合二為一呢?因為當解碼器接收到一個比特流的時候,首先可以按照literal/length這個碼表來解碼,如果解出來是0-255,就表示未匹配字符,如果是256,那自然就結(jié)束,如果是257-285之間,則表示length,把后面擴展比特加上形成length后,后面的比特流肯定就表示distance,因此,實際上通過一個Huffman碼表,對各類情況進行了統(tǒng)一,而不是通過加一個什么標志來區(qū)分到底是literal還是重復字符串。好了,理解了上面的過程,就理解了ZIP壓縮的第二步,第一步是LZ編碼,第二步是對LZ編碼后結(jié)果(literal、distance、length)進行的再編碼,因為literal/length是一個碼表,我稱其為Huffman碼表1,distance那個碼表稱為Huffman碼表2。前面我們巳經(jīng)分析了,Huffman碼樹用一個碼字長度序列表示,稱為CL(CodeLength),記錄兩個碼表的碼字長度序列分別記為CL1、CL2。碼樹記錄下來,對literal/length的編碼比特流稱為LIT比特流;對distance的編碼比特流稱為DIST比特流。按照上面的方法,LZ的編碼結(jié)果就變成四塊:CL1、CL2、LIT比特流、DIST比特流。CL1、CL2是碼字長度的序列,這個序列說白了就是一堆正整數(shù),因此,PK繼續(xù)深挖,認為這個序列還應該繼續(xù)壓縮,也就是說,對碼表進行壓縮。7、ZIP中對CL進行再次壓縮的方法這里仍然沿用Huffman的想法,因為CL也是一堆整數(shù),那么當然可以再次應用Huffman編碼。不過在這之前,PK對CL序列進行了一點處理。這個處理也是很精巧的。CL序列表示一系列整數(shù)對應的碼字長度,對于literal/length來說,總共有0-285這么多符號,所以這個序列長度為286,每個符號都有一個碼字長度,當然,這里面可能會出現(xiàn)大段連續(xù)的0,因為某些字符或長度不存在,尤其是對英文文本編碼的時候,非ASCII字符就根本不會出現(xiàn),length較大的值出現(xiàn)概率也很小,所以出現(xiàn)大段的0是很正常的;對于distance也類似,也可能出現(xiàn)大段的0。PK于是先進行了一下游程編碼。在說什么是游程編碼之前,我們談談PK對CL序列的認識。literal/length的編碼符號總共286個(回憶:256個Literal+1個結(jié)束標志+29個length區(qū)間),distance的編碼符號總共30個(回憶:30個區(qū)間),所以這顆碼樹不會特別深,Huffman編碼后的碼字長度不會特別長,PK認為最長不會超過15,也就是樹的深度不會超過15,這個是否是理論證明我還沒有分析,有興趣的同學可以分析一下。因此,CL1和CL2這兩個序列的任意整數(shù)值的范圍是0-15。0表示某個整數(shù)沒有出現(xiàn)(比如literal=0x12,lengthCode=8,distanceCode=15等等)。什么叫游程呢?就是一段完全相同的數(shù)的序列。什么叫游程編碼呢?說起來原理更簡單,就是對一段連續(xù)相同的數(shù),記錄這個數(shù)一次,緊接著記錄出現(xiàn)了多少個即可。David的書中舉了這個例子,比如CL序列如下:4,4,4,4,4,3,3,3,6,6,6,6,6,6,6,6,6,6,0,0,0,0,0,0,2,2,2,2那么,游程編碼的結(jié)果為:4,16,01(二進制),3,3,3,6,16,11(二進制),16,00(二進制),17,011(二進制),2,16,00(二進制)這是什么意思呢?因為CL的范圍是0-15,PK認為重復出現(xiàn)2次太短就不用游程編碼了,所以游程長度從3開始。用16這個特殊的數(shù)表示重復出現(xiàn)3、4、5、6個這樣一個游程,分別后面跟著00、01、10、11表示(實際存儲的時候需要低比特優(yōu)先存儲,需要把比特倒序來存,博文的一些例子有時候會忽略這點,實際寫程序的時候一定要注意,否則會得到錯誤結(jié)果)。于是4,4,4,4,4,這段游程記錄為4,16,01,也就是說,4這個數(shù),后面還會連續(xù)出現(xiàn)了4次。6,16,11,16,00表示6后面還連續(xù)跟著6個6,再跟著3個6;因為連續(xù)的0出現(xiàn)的可能很多,所以用17、18這兩個特殊的數(shù)專門表示0游程,17后面跟著3個比特分別記錄長度為3-10(總共8種可能)的游程;18后面跟著7個比特表示11-138(總共128種可能)的游程。17,011(二進制)表示連續(xù)出現(xiàn)6個0;18,0111110(二進制)表示連續(xù)出現(xiàn)62個0??傊涀?,0-15是CL可能出現(xiàn)的值,16表示除了0以外的其它游程;17、18表示0游程。因為二進制實際上也是個整數(shù),所以上面的序列用整數(shù)表示為:4,16,1,3,3,3,6,16,3,16,0,17,3,2,16,0我們又看到了一串整數(shù),這串整數(shù)的值的范圍是0-18。這個序列稱為SQ(Sequence的意思)。因為有兩個CL1、CL2,所以對應的有兩個SQ1、SQ2。針對SQ1、SQ2,PK用了第三個Huffman碼表來對這兩個序列進行編碼。通過統(tǒng)計各個整數(shù)(0-18范圍內(nèi))的出現(xiàn)次數(shù),按照相同的思路,對SQ1和SQ2進行了Huffman編碼,得到的碼流記為SQ1bits和SQ2bits。同時,這里又需要記錄第三個碼表,稱為Huffman碼表3。同理,這個碼表也用相同的方法記錄,也等效為一個碼長序列,稱為CCL,因為至多有0-18個,PK認為樹的深度至多為7,于是CCL的范圍是0-7。當?shù)玫搅薈CL序列后,PK決定不再折騰,對這個序列用普通的3比特定長編碼記錄下來即可,即000代表0,111代表7。但實際上還有一點小折騰,就是最后這個序列如果全部記錄,那就需要19*3=57個比特,PK認為CL序列里面CL范圍為0-15,特殊的幾個值是16、17、18,如果把CCL序列位置置換一下,把16、17、18這些放前面,那么這個CCL序列就很可能最后面跟著一串0(因為CL=14,15這些很可能沒有),所以最后還引入了一個置換,其示意圖如下,分別表示置換前的CCL序列和置換后的CCL??梢钥闯觯?6、17、18對應的CCL被放到了前面,這樣如果尾部出現(xiàn)了一些0,就只需要記錄CCL長度即可,后面的0不記錄。可以繼續(xù)節(jié)省一些比特,不過這個例子尾部置換后只有1個0:不過粗看起來,這個置換效果并不好,我一開始接觸這個置換的時候,我覺得應該按照16、17、18、0、1、2、3、。。。這樣的順序來存儲,如果按照我理解的,那么置換后的結(jié)果如下:2、4、0、4、5、5、1、5、0、6、0、0、0、0、0、0、0、0、0這樣后面的一大串0直接截斷,比PK的方法更短。但PK卻按照上面的順序。我總是認為,我覺得牛人可能出錯了的時候,往往是我自己錯了,所以我又仔細想了一下,上面的順序特點比較明顯,直觀上看,PK認為CL為0和中間的值出現(xiàn)得比較多(放在了前面),但CL比較小的和比較大的出現(xiàn)得比較少(1、15、2、14這些放在了后面,你看,后面交叉著放),在文件比較小的時候,這種方法效果不算好,上面就是一個典型的例子,但文件比較大了以后,CL1、CL2碼樹比較大,碼字長度普遍比較長,大部分很可能接近于中間值,那么這個時候PK的方法可能就體現(xiàn)出優(yōu)勢了。不得不說,對一個算法或者數(shù)據(jù)結(jié)構(gòu)的優(yōu)化程度,簡直完全取決于程序員對那個東西細節(jié)的理解的深度。當我仔細研究了ZIP壓縮算法的過程之后,我對PK這種深夜埋頭冥思苦想的大牛佩服得五體投地。到此為止,ZIP壓縮算法的結(jié)果巳經(jīng)完畢。這個算法命名為Deflate算法??偨Y(jié)一下其編碼流程為:8、Deflate壓縮數(shù)據(jù)格式ZIP的格式實際上就是Deflate壓縮碼流外面套了一層文件相關的信息,這里先介紹Deflate壓縮碼流格式。其格式為:Header:3個比特,第一個比特如果是1,表示此部分為最后一個壓縮數(shù)據(jù)塊;否則表示這是.ZIP文件的某個中間壓縮數(shù)據(jù)塊,但后面還有其他數(shù)據(jù)塊。這是ZIP中使用分塊壓縮的標志之一;第2、3比特表示3個選擇:壓縮數(shù)據(jù)中沒有使用Huffman>使用靜態(tài)Huffman>使用動態(tài)Huffman,這是對LZ77編碼后的literal/length/distance進行進一步編碼的標志。我們前面分析的都是動態(tài)Huffman,其實Deflate也支持靜態(tài)Huffman編碼,靜態(tài)Huffman編碼原理更為簡單,無需記錄碼表(因為PK自己定義了一個固定的碼表),但壓縮率不高,所以大多數(shù)情況下都是動態(tài)Huffman。HLIT:5比特,記錄literal/length碼樹中碼長序列(CL1)個數(shù)的一個變量。后面CL1個數(shù)等于HLIT+257(因為至少有0-255總共256個literal,還有一個256表示解碼結(jié)束,但length的個數(shù)不定)。HDIST:5比特,記錄distance碼樹中碼長序列(CL2)個數(shù)的一個變量。后面CL2個數(shù)等于HDIST+1。哪怕沒有1個重復字符串,distance都為0也是一個CL。HCLEN:4比特,記錄Huffman碼表3中碼長序列(CCL)個數(shù)的一個變量。后面CCL個數(shù)等于HCLEN+4。PK認為CCL個數(shù)不會低于4個,即使對于整個文件只有1個字符的情況。接下來是3比特編碼的CCL,一共HCLEN+4個,用以構(gòu)造Huffman碼表3;接下來是對CL1(碼長)序列經(jīng)過游程編碼(SQ1:縮短的整數(shù)序列)后,并對SQ1繼續(xù)用Huffman編碼后的比特流。包含HLIT+257個CL1,其解碼碼表為Huffman碼表3,用以構(gòu)造Huffman碼表1;接下來是對CL2(碼長)序列經(jīng)過游程編碼(SQ2:縮短的整數(shù)序列)后,并對SQ2繼續(xù)用Huffman編碼后的比特流。包含HDIST+1個CL2,其解碼碼表為Huffman碼表3,用于構(gòu)造Huffman碼表2;總之,上面的數(shù)據(jù)都是為了構(gòu)造LZ解碼需要的2個Huffman碼表。接下來才是經(jīng)過Huffman編碼的壓縮數(shù)據(jù),解碼碼表為Huffman碼表1和碼表2。最后是數(shù)據(jù)塊結(jié)束標志,即literal/length這個碼表輸入符號位256的編碼比特。對倒數(shù)第1、2內(nèi)容塊進行解碼時,首先利用Huffman碼表1進行解碼,如果解碼所得整數(shù)位于0-255之間,表示literal未匹配字符,接下來仍然利用Huffman碼表1解碼;如果位于257-285之間,表示length匹配長度,之后需要利用Huffman碼表2進行解碼得到distance偏移距離;如果等于256,表示數(shù)據(jù)塊解碼結(jié)束。9、ZIP文件格式解析上面各節(jié)對ZIP的原理進行了分析,這一節(jié)我們來看一個實際的例子,為了更好地描述,我們盡量把這個例子舉得簡單一些。下面是我隨便從一本書拷貝出來的一段較短的待壓縮的英文文本數(shù)據(jù):Asmentionedabove,therearemanykindsofwirelesssystemsotherthancellular.這段英文文本長度為80字節(jié)。經(jīng)過ZIP壓縮后,其內(nèi)容如下:可以看到,第1、2字節(jié)就是PK??粗趺幢仍倪€長,這怎么叫壓縮?實際上,這里面大部分內(nèi)容是ZIP的文件標記開銷,真正壓縮的內(nèi)容(也就是我們前面提到的Deflate數(shù)據(jù),劃線部分都是ZIP文件開銷)其實肯定要比原文短(否則ZIP不會啟用壓縮),我們這個例子是個短文本,但對于更長的文本而言,那ZIP文件總體長度肯定是要短于原始文本的。上面的這個ZIP文件,可以看到好幾個以PK開頭的區(qū)域,也就是不同顏色的劃線區(qū)域,這些其實都是ZIP文件本身的開銷。所以,我們首先來看一看ZIP的格式,其格式定義為:[localfileheader1][filedata1][datadescriptor1][localfileheadern][filedatan][datadescriptorn][archivedecryptionheader][archiveextradatarecord][centraldirectory][zip64endofcentraldirectoryrecord][zip64endofcentraldirectorylocator][endofcentraldirectoryrecord]localfileheader+filedata+datadescriptor這是一段ZIP壓縮數(shù)據(jù),在一個ZIP文件里,至少有一段,至多那就不好說了,假如你要壓縮的文件一共有10個,那這個地方至少會有10段,ZIP對每個文件進行了獨立壓縮,RAR在此進行了改進,將多個文件聯(lián)合起來進行壓縮,提高了壓縮率。localfileheader的格式如下:可見,起始的4個字節(jié)就是0x50(P)、0x4B(K)、0x03、0x04,因為是低字節(jié)優(yōu)先,所以Signature=0x03044B50.接下來的內(nèi)容按照上面的格式解析,十分簡單,這個區(qū)域在上面ZIP數(shù)據(jù)的那個圖里面是紅色劃線區(qū)域,之后則是壓縮后的Deflate數(shù)據(jù)。在文件的尾部,還有ZIP尾部數(shù)據(jù),上面這個例子包含了centraldirectory和endofcentraldirectoryrecord一般這兩部分也是必須的°centraldirectory以0x50、0x4B、0x01、0x02開頭;endofcentraldirectoryrecord以0x50、0x4B、0x05、0x06開頭,其含義比較簡單,分別對應于上面ZIP數(shù)據(jù)那個圖的藍色和綠色部分,下面是兩者的格式:endofcentraldirectoryrecord格式:這幾張圖是我從網(wǎng)上找的,寫得比較清晰。對于其中的含義,解釋起來也比較簡單,我分析的結(jié)果如下:注意ZIP采用的低字節(jié)優(yōu)先,在一個字節(jié)里面低位優(yōu)先,需要反過來看。LocalFileHeader:(38B,304b)00000000000100000(signature)0000000000010100(version:20)0000000000000000(generalBitFlag)0000000000001000(compressionMethod:8)0(lastModTime:19854)0(lastModDate:17701)00(CRC32)00000000000000000000000001001000(compressedSize:72)00000000000000000000000001010000(uncompressedSize:80)0000000000001000(filenameLength:8)0000000000000000(extraFieldLength:0)00000011(fileName:Test.txt)(extraField)CentralFileHeader:(54B,432b)00000000001000000(signature)0000000000010100(versionMadeBy:20)0000000000010100(versionNeeded:20)0000000000000000(generalBitFlag)0000000000001000(compressionMethod:8)0(lastModTime:19854)0(lastModDate:17701)00(CRC32)00000000000000000000000001001000(compressedSize:72)00000000000000000000000001010000(uncompressedSize:80)0000000000001000(filenameLength:8)0000000000000000(extraFieldLength:0)0000000000000000(fileCommenLength:0)0000000000000000(diskNumberStart)0000000000000001(internalFileAttr)00000000000100000(externalFileAttr)00000000000000000000000000000000(relativeOffsetLocalHeader)00000011(fileName:Test.txt)(extraField)(fileComment)endofCentralDirectoryRecord:(22B,176b)00000000001100000(signature)0000000000000000(numberOfThisDisk:0)0000000000000000(numberDiskCentralDirectory:0)0000000000000001(EntriesCentralDirectDisk:1)0000000000000001(EntriesCentralDirect:1)00000000000000000000000000110110(sizeCentralDirectory:54)00000000000000000000000001101110(offsetStartCentralDirectory:110)0000000000000000(fileCommentLength:0)(fileComment)LocalFileHeaderLength:304CentralFileHeaderLength:432EndCentralDirectoryRecordLength:176可見,開銷總的長度為38+54+22=114字節(jié),整個文件長度為186字節(jié),因此Deflate壓縮數(shù)據(jù)長度為72字節(jié)(576比特)。盡管這里看起來只是從80字節(jié)壓縮到72字節(jié),那是因為這是一段短文本,重復字符串出現(xiàn)較少,但如果文本較長,那壓縮率就會增加,這里只是舉個例子。下面對其中的關鍵部分,也就是Deflate壓縮數(shù)據(jù)進行解析。10,Deflate解碼過程實例分析我們按照ZIP格式把Deflate壓縮數(shù)據(jù)(72字節(jié))提取出來,如下(每行8字節(jié)):00000000000000001001010000000110101010000000100000000000100000010Deflate格式除了上面的介紹,也可以參考RFC1951,解析如下:Header:101,第一個比特是1,表示此部分為最后一個壓縮數(shù)據(jù)塊;后面的兩個比特01表示采用動態(tài)哈夫曼、靜態(tài)哈夫曼、或者沒有編碼的標志,01表示采用動態(tài)Huffman;在RFC1951里面是這么說明的:00-nocompression01-compressedwithfixedHuffmancodes-compressedwithdynamicHuffmancodes-reserved(error)注意,這里需要按照低比特在先的方式去看,否則會誤以為是靜態(tài)Huffmano接下來:HLIT:01000,記錄literal/length碼樹中碼長序列個數(shù)的一個變量,表示HLIT=2(低位在前),說明后面存在HLIT+257=259個CL1,CL1即0-258被編碼后的長度,其中0-255表示Literal,256表示無效符號,257、258分別表示Length=3、4(length從3開始)。因此,這里實際上只出現(xiàn)了兩種重復字符串的長度,即3和4?;仡欉@個圖可以更清楚:繼續(xù):HDIST:01010,記錄distance碼樹中碼長序列個數(shù)的一個變量,表示HDIST=10,說明后面存在HDIST+1=11個CL2,CL2即DistanceCode=0-10被編碼的長度。繼續(xù):HCLEN:0111,記錄Huffman碼樹3中碼長序列個數(shù)的一個變量,表示HCLEN=14(1110二進制),即說明緊接著跟著HCLEN+4=18個CCL,前面巳經(jīng)分析過,CCL記錄了一個Huffman碼表,這個碼表可以用一個碼長序列表示,根據(jù)這個碼長序列可以得到碼表。于是接下來我們把后面的18*3=54個比特拷貝出來,上面的碼流目前解析為下面的結(jié)果:101(Header)01000(HLIT)01010(HDIST)0111(HCLEN)000101110110000000000010000010000110000101000101000101(CCL)00000000000110101010000000100000000000100000010標準的CCL長度為19(回憶一下:CCL范圍為0-18,按照整數(shù)大小排序記錄各自的碼字長度),因此最后一個補0。得到序列:000101110110000000000010000010000110000101000101000101000其長度分別為(低位在前):0、5、3、3、0、0、0、2、0、2、0、3、0、5、0、5、0、5、0前面巳經(jīng)分析過,這個CCL序列實際上是經(jīng)過一次置換操作得到的,需要進行相反的置換,置換后為:3、5、5、5、3、2、2、0、0、0、0、0、0、0、0、0、0、5、3這個就是對應于0-18的碼字長度序列。根據(jù)Deflate樹的構(gòu)造方式,得到下面的碼表(Huffman碼表3):TOC\o"1-5"\h\z00<-->501<-->6<-->0<-->4110<-->18<-->1<-->2<-->3<-->17接下來就是CL1序列,按照前面的指示,一共有259個,分別對應于literal/length:0-258對應的碼字長度序列,我們隊跟著CCL后面的比特按照上面獲得的碼表進行逐步解碼,在解碼之前,實際上并不知道CL1的比特流長度有多少,需要根據(jù)259這個數(shù)字來判定,解完了259個整數(shù),表明解析CL1完畢:101(Header)01000(HLIT)01010(HDIST)0111(HCLEN)000101110110000000000010000010000110000101000101000101(CCL)110(18)1010100(7比特,記錄連續(xù)的11-138個0,此處一共0010101b=21,即記錄21+11=32個0)11110(3)110(18)0000000(7比特,記錄連續(xù)的11-138個0,此處為全0,即記錄0+11=11個0)01(6)100(0)01(6)110(18)1110000(7比特,記錄連續(xù)的11-138個0,此處為111b=7,即記錄7+11=18個0)01(6)110(18)0010100(7比特,記錄連續(xù)的11-138個0,此處為10100b=20,即記錄20+11=31個0)101(4)01(6)01(6)00(5)11110(3)01(6)100(0)00(5)00(5)100(0)01(6)101(4)00(5)101(4)00(5)100(0)100(0)00(5)101(4)101(4)01(6)01(6)01(6)100(0)00(5)110(18)1101111(7比特,記錄連續(xù)的11-138個0,此處為1111011b=123,即記錄123+11=134個0)統(tǒng)計一下,上面巳經(jīng)解了32+11+18+31+134+30=256個數(shù)了,因為總共259個,還差三個:01(6)00(5)01(6)好了,CL1比特流解析完畢了,得到的CL1碼長序列為:TOC\o"1-5"\h\z0000000000000000000000000000000030000000000060600000000000000000060000000000000000000000000000000466536055064545005446660500000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000656總共259個,每行40個。根據(jù)這個序列,同樣按照Deflate樹構(gòu)造方法,得到literal/length碼表(Huffman碼表1)為:000-->(System.Char)(看前面的CL1序列,空格對應的ASCII為0x20=32,碼字長度3,即上面序列中第一個3)001-->e(System.Char)0100-->a(System.Char)0101-->l(System.Char)0110-->n(System.Char)0111-->s(System.Char)1000-->t(System.Char)-->d(System.Char)-->h(System.Char)10100-->i(System.Char)10101-->m(System.Char)-->o(System.Char)-->r(System.Char)-->y(System.Char)->3(System.Int32)(看前面的CL1序列,對應257,碼字長度5)110100-->,(System.Char)110101-->.(System.Char)110110-->A(System.Char)110111-->b(System.Char)111000-->c(System.Char)111001-->f(System.Char)111010-->k(System.Char)111011-->u(System.Char)111100-->v(System.Char)111101-->w(System.Char)111110->-1(System.Int32)(看前面的CL1序列,對應256,碼字長度6)111111->4(System.Int32)(看前面的CL1序列,對應258,碼字長度6)可以看出,碼表里存在兩個重復字符串長度3和4,當解碼結(jié)果為-1(上面進行了處理,即256),或者說遇到111110的時候,表示Deflate碼流結(jié)束。按照同樣的道理,對CL2序列進行解析,前面巳經(jīng)知道HDIST=10,即有11個CL2整數(shù)序列:11111(17)000(3比特,記錄連續(xù)的3-10個0,此處為0,即記錄3個0)11101(2)11111(17)100(3比特,記錄連續(xù)的3-10個0,此處為001b=1,即記錄4個0)11100(1)100(0)11101(2)巳經(jīng)結(jié)束,總共11個。于是CL2序列為:00020000102分別記錄的是distance碼為0-10的碼字長度,根據(jù)下面的對應關系,需要進行擴展:比如,第1個碼長2記錄的是Code=3的長度,即Distance=4對應的碼字為:10-->4(System.Int32)第1個碼長1記錄的是Code=8的長度(碼字為0,擴展三位000-111),即Distance=17-24對應的碼字為(注意,低比特優(yōu)先):0000-->17(System.Int32)0100-->18(System.Int32)0010-->19(System.Int32)0110-->20(System.Int32)0001-->21(System.Int32)0101-->22(System.Int32)0011-->23(System.Int32)0111-->24(System.Int32)注意,擴展的時候還是低比特優(yōu)先。最后1個碼長2記錄的是Code=10的長度(其實是碼字:11,擴展四位0000-1111),即Distance=33-48對應的碼字為:110000-->33(System.Int32)111000-->34(System.Int32)110100-->35(System.Int32)111100-->36(System.Int32)110010-->37(System.Int32)111010-->38(System.Int32)110110-->39(System.Int32)111110-->40(System.Int32)110001-->41(System.Int32)111001-->42(System.Int32)110101-->43(System.Int32)111101-->44(System.Int32)110011-->45(System.Int32)111011-->46(System.Int32)110111-->47(System.Int32)111111-->48(System.Int32)至此為止,Huffman碼表1>Huffman碼表2巳經(jīng)還原出來,接下來是對LZ壓縮所得到的literal、distance、length進行解碼,目前剩余的比特流如下,先按照Huffman碼表1解碼,如果解碼結(jié)果是長度(>256),則接下來按照Huffman碼表2解碼,逐步解碼即可:[As]:110110(A)0111(s)000(空格)[mentioned]:10101(m)001(e)0110(n)1000(t)10100(i)10110(o)0110(n)001(e)10010(d)000(空格)[above,]:0100(a)110111(b)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論