gzip所使用压缩算法的基本原理

gzip压缩算法

作者：

　　 1 gzip 所使用压缩算法的基本原理

　　 gzip 对于要压缩的文件，首先使用 lz77 算法进行压缩，对得到的结果再使用 huffman 编码的方法进行压缩。所以我们分别对 lz77 和 huffman 编码的原理进行说明。

　　 1.1 ... 1.2 ...

　　 2 gzip 压缩算法实现方法

　　 2.1 LZ77 算法的 gzip 实现

　　 首先， gzip 从要压缩的文件中读入 64KB 的内容到一个叫 window 的缓冲区中。为了简单起见，我们以 32KB 以下文件的压缩为例做说明。对于我们这里使用 32KB 以下文件， gzip 将整个文件读入到 window 缓冲区中。然后使用一个叫 strstart 的变量在 window 数组中，从 0 开始一直向后移动。 strstart 在每一个位置上，都在它之前的区域中，寻找和当前 strstart 开始的串的头 3 个字节匹配的串，并试图从这些匹配串中找到最长的匹配串。

　　 如果当前的 strstart 开始的串，可以找到最少为 3 个字节的匹配串的话，当前的 strstart 开始的匹配长度那么长的串，将会被一个 < 匹配长度 , 到匹配串开头的距离 > 对替换。

　　 如果当前的 strstart 开始的串，找不到任何的最少为 3 个字节的匹配串的话，那么当前 strstart 的所在字节将不作改动。

　　 为了区分是一个 < 匹配长度 , 到匹配串开头的距离 > 对，还是一个没有被改动的字节，还需要为每一个没有被改动的字节或者 < 匹配长度 , 到匹配串开头的距离 > 对，另外再占用一
　　 位，来进行区分。这位如果为 1 ，表示是一个 < 匹配长度 , 到匹配串开头的距离 > 对，这位如果为 0 ，表示是一个没有被改动的字节。

　　 现在来说明一下，为什么最小匹配为 3 个字节。这是由于， gzip 中， < 匹配长度 , 到匹配串开头的距离 > 对中， " 匹配长度 " 的范围为 3-258 ，也就是 256 种可能值，需要 8bit 来保存。 " 到匹配串开头的距离 " 的范围为 0-32K ，需要 15bit 来保存。所以一个 < 匹配长度 , 到匹配串开头的距离 > 对需要 23 位，差一位 3 个字节。如果匹配串小于 3 个字节的话，使用 < 匹配长度 , 到匹配串开头的距离 > 对进行替换，不但没有压缩，反而还会增大。所以保存 < 匹配长度 , 到匹配串开头的距离 > 对所需要的位数，决定了最小匹配长度至少要为 3 个字节。

　　 下面我们就来介绍 gzip 如何实现寻找当前 strstart 开始的串的最长匹配串。

　　 如果每次为当前串寻找匹配串时，都要和之前的每个串的至少 3 个字节进行比较的话，那么比较量将是非常非常大的。为了提高比较速度， gzip 使用了哈希表。这是 gzip 实现 LZ77 的关键。这个哈希表是一个叫 head 的数组（后面我们将看到为什么这个缓冲区叫 head ）。 gzip 对 windows 中的每个串，使用串的头三个字节，也就是 strstart,strstart 1,strstart 2 ，用一个设计好的哈希函数来进行计算，得到一个插入位置 ins_h 。也就是用串的头三个字节来确定一个插入位置。然后把串的位置，也就是 strstart 的值，保存在 head 数组的第 ins_h 项中。我们马上就可以看到为什么要这样做。 head 数组在没有插入任何值时，全部为 0 。
当某处的当前串的三个字节确定了一个 ins_h ，并把当时当前串的位置也就是当时的 strstart 保存在了 head[ins_h] 中。之后另一处，当另一处的当前串的头三个字节，再为那三个字节时，再使用那个哈希函数来计算，由于是同样的三个字节，同样的哈希函数，得到的 ins_h 必然和前面得到的 ins_h 是相同的。于是就会发现 head[ins_h] 不为 0 。这就说明了，有一个头三个字节和自己相同的串把自己的位置保存在了这里，现在 head[ins_h] 中保存的值，也就是那个串的开始位置，我们就可以找到那个串，那个串至少前 3 个字节和当前串的前 3 个字节相同（稍后我们就可以看到这种说法不准确，这里是为了说明方便），我们可以找到那个串，做进一步比较，看到底能有多长的匹配。

　　 我们现在来说明一下，相同的三个字节，通过哈希函数得到的 ins_h 必然是相同的。而不同的三个字节，通过哈希函数有没有可能得到同一个 ins_h ，我没有对这个哈希函数做研究，并不清楚，不过一般的哈希函数都是这样的，所以极大可能这里的也会是这种情况，即不同的三个字节，通过哈希函数有可能得到同一个 ins_h ，不过这并不要紧，我们发现有可能是匹配串之后，还会进行串的比较。

　　 一个文件中，可能有很多个串的头三个字节都是相同的，也就是说他们计算得到的 ins_h 都是相同的，如何能保证找到他们中的每一个串呢？ gzip 使用一个链把他们链在一起。 gzip 每次把当前串的位置插入 head 的当前串头三个字节算出的 ins_h 处时，都会首先把原来的 head[ins_h] 的值，保存到一个叫 prev 的数组中，保存的位置就在现在的 strstart 处。这样当以后某处的当前串计算出 ins_h ，发现 head[ins_h] 不空时，就可以到 prev[ head[ins_h] ] 中找到更前一个的头三个字节相同的串的位置。对此我们举例说明。

　　 例，串
　　 0abcdabceabcfabcg
　　 ^^^^^^^^^^^^^^^^^
　　 01234567890123456

　　 整个串被压缩程序处理之后。

　　 由 abc 算出 ins_h 。
　　 这时的 head[ins_h] 中为 13, 即 "abcg" 的开始位置。
　　 这时 prev[13] 中为 9 ，即 "abcfabcg" 的开始位置。
　　 这时 prev[9] 中为 5 ，即 "abceabcfabcg" 的开始位置。
　　 这时 prev[5] 中为 1 ，即 "abcdabceabcfabcg" 的开始位置。
　　 这时 prev[1] 中为 0 。

　　 我们看到所有头三个字母为 abc 的串，被链在了一起，从 head 可以一直找下去，直到找到 0 。

　　 现在我们也就知道了，三个字节通过哈希函数计算得到同一 ins_h 的所有的串被链在了一起， head[ins_h] 为链头， prev 数组中放着的更早的串。这也就是 head 和 prev 名称的由
　　 来。

　　 gzip 寻找匹配串的另外一个值得注意的实现是，延迟匹配。会进行两次尝试。比如当前串为 str, 那么 str 发生匹配以后，并不发生压缩，还会对 str 1 串进行匹配，然后看哪种
　　 匹配效果好。

　　 例子 ...
从这个例子中我们就看到了做另外一次尝试的原因。如果碰到的一个匹配就使用了的话，可能错过更长匹配的机会。现在做两次会有所改善。

　　 ...

　　 2.2 问题讨论

　　 我在这里对 gzip 压缩算法做出了一些说明，是希望可以和对 gzip 或者压缩解压缩感兴趣的朋友进行交流。
　　 我对 gzip 的了解要比这里说的更多一些，也有更多的例子。如果哪位朋友愿意对下面的问题进行研究，以及其他压缩解压缩的问题进行研究，来这里 http://jiurl.cosoft.org.cn/forum/ 和我交流的话，我也愿意就我知道的内容进行更多的说明。

　　 下面是几个问题

　　 这种匹配算法，即用 3 个字节 ( 最小匹配 ) 来计算一个整数，是否比用串比较来得高效，高效到什么程度。

　　 哈希函数的讨论。不同的三个字节，是否可能得到同一个 ins_h 。 ins_h 和计算它的三个字节的关系。

　　 几次延迟尝试比较好？

　　 用延迟，两次尝试是否对压缩率的改善是非常有限的？

　　 影响 lz77 压缩率的因素。

　　 压缩的极限。

　　 2.3 ...

　　 3 gzip 源码分析

　　 main() 中调用函数 treat_file() 。
　　 treat_file() 中打开文件，调用函数 zip() 。注意这里的 work 的用法，这是一个函数指针。
　　 zip() 中输出 gzip 文件格式的头，调用 bi_init ， ct_init ， lm_init ，
　　 其中在 lm_init 中将 head 初始化清 0 。初始化 strstart 为 0 。从文件中读入 64KB 的内容到 window 缓冲区中。
　　 由于计算 strstart=0 时的 ins_h ，需要 0,1,2 这三个字节和哈希函数发生关系，所以在 lm_init 中，预读 0,1 两个字节，并和哈希函数发生关系。

　　 然后 lm_init 调用 deflate() 。
　　 deflate() gzip 的 LZ77 的实现主要 deflate() 中。