linux rle压缩代码,Node.js实战--资源压缩与zlib模块

nodejs 的 zlib 模块提供了资源压缩功能。例如在 http 传输过程当中经常使用的 gzip，能大幅度减小网络传输流量，提升速度。本文将从下面几个方面介绍 zlib 模块和相关知识点：node

文件压缩 / 解压

HTTP 中的压缩/解压

压缩算法：RLE

压缩算法：哈夫曼树

文件的压缩/解压

以 gzip 压缩为例，压缩代码以下：git

const zlib = require("zlib");

const fs = require("fs");

const gzip = zlib.createGzip();

const rs = fs.createReadStream("./db.json");

const ws = fs.createWriteStream("./db.json.gz");

rs.pipe(gzip).pipe(ws);

以下图所示，4.7Mb 大小的文件被压缩到了 575Kb。程序员

解压刚才压缩后的文件，代码以下：github

const zlib = require("zlib");

const fs = require("fs");

const gunzip = zlib.createGunzip();

const rs = fs.createReadStream("./db.json.gz");

const ws = fs.createWriteStream("./db.json");

rs.pipe(gunzip).pipe(ws);

HTTP 中的压缩/解压

在服务器中和客户端的传输过程当中，浏览器(客户端)经过 Accept-Encoding 消息头来告诉服务端接受的压缩编码，服务器经过 Content-Encoding 消息头来告诉浏览器(客户端)实际用于编码的算法。web

服务器代码示例以下：算法

const zlib = require("zlib");

const fs = require("fs");

const http = require("http");

const server = http.createServer((req, res) => {

const rs = fs.createReadStream("./index.html");

// 防止缓存错乱

res.setHeader("Vary", "Accept-Encoding");

// 获取客户端支持的编码

let acceptEncoding = req.headers["accept-encoding"];

if (!acceptEncoding) {

acceptEncoding = "";

}

// 匹配支持的压缩格式

if (/\bdeflate\b/.test(acceptEncoding)) {

res.writeHead(200, { "Content-Encoding": "deflate" });

rs.pipe(zlib.createDeflate()).pipe(res);

} else if (/\bgzip\b/.test(acceptEncoding)) {

res.writeHead(200, { "Content-Encoding": "gzip" });

rs.pipe(zlib.createGzip()).pipe(res);

} else if (/\bbr\b/.test(acceptEncoding)) {

res.writeHead(200, { "Content-Encoding": "br" });

rs.pipe(zlib.createBrotliCompress()).pipe(res);

} else {

res.writeHead(200, {});

rs.pipe(res);

}

});

server.listen(4000);

客户端代码就很简单了，识别 Accept-Encoding 字段，并进行解压：json

const zlib = require("zlib");

const http = require("http");

const fs = require("fs");

const request = http.get({

host: "localhost",

path: "/index.html",

port: 4000,

headers: { "Accept-Encoding": "br,gzip,deflate" }

});

request.on("response", response => {

const output = fs.createWriteStream("example.com_index.html");

switch (response.headers["content-encoding"]) {

case "br":

response.pipe(zlib.createBrotliDecompress()).pipe(output);

break;

// 或者, 只是使用 zlib.createUnzip() 方法去处理这两种状况：

case "gzip":

response.pipe(zlib.createGunzip()).pipe(output);

break;

case "deflate":

response.pipe(zlib.createInflate()).pipe(output);

break;

default:

response.pipe(output);

break;

}

});

从上面的例子能够看出来，3 种对应的解压/压缩 API：api

zlib.createInflate() 和

zlib.createDeflate()

zlib.createGunzip() 和

zlib.createGzip()

zlib.createBrotliDecompress() 和

zlib.createBrotliCompress()

压缩算法：RLE

RLE 全称是 Run Length Encoding, 行程长度编码，也称为游程编码。它的原理是：记录连续重复数据的出现次数。它的公式是：字符 * 出现次数。

例如原数据是 AAAAACCPPPPPPPPERRPPP，一共 18 个字节。按照 RLE 的规则，压缩后的结果是：A5C2P8E1R2P3，一共 12 个字节。压缩比例是：12 / 17 = 70.6%

RLE 的优势是压缩和解压很是快，针对连续出现的多个字符的数据压缩率更高。但对于ABCDE相似的数据，压缩后数据会更大。

压缩算法：哈夫曼树

哈夫曼树的原理是：出现频率越高的字符，用尽可能更少的编码来表示。按照这个原理，以数据ABBCCCDDDD为例：

字符

编码(二进制)

D

0

C

1

B

10

A

11

原来的数据是 10 个字节。那么编码后的数据是：1110101110000，一共 13bit，在计算机中须要 2 个字节来存储。这样的压缩率是：2 / 10 = 20%。

可是仅仅按照这个原理编码后的数据，没法正确还原。之前 4bit 为例，1110能够理解成:

11 + 10

1 + 1 + 1 + 0

1 + 1 + 10

...

而哈夫曼树的设计就很巧妙，能正确还原。哈夫曼树的构造过程以下：

不管哪一种数据类型(文本文件、图像文件、EXE 文件)，均可以采用哈夫曼树进行压缩。

参考连接

👇扫码关注「心谭博客」，查看「前端图谱」&「算法题解」，坚持分享，共同成长👇