Question

我有一组（巨大的）类似的数据文件。该集合不断增长。单个文件的大小约为10K。每个文件都必须自己压缩。压缩是使用zlib库完成的，该库由java.util.zip.Deflater类使用。使用setDictionary将字典传递给Deflate算法时，我可以提高压缩率。

有没有办法（算法）找到'最佳'字典，即具有整体最佳压缩比的字典？

请参阅zlib manual

Answer 1

John Reiser explained on comp.compression：

对于字典：制作短子串的直方图，按收益排序（出现次数乘以压缩时保存的位数），并将最高支付子字符串放入字典中。例如，如果k是可以压缩的最短子串的长度（通常为3 == k或2 == k），则制作长度为k，1 + k，2 + k的所有子串的直方图，以及3 + K。 当然有一些艺术可以将这些子串放入字典中，利用子串，重叠，短字符串更接近高地址等。

Linux内核使用类似的技术来压缩用于打印子程序调用堆栈的回溯的符号名称。请参阅文件scripts / kallsyms.c。例如，https://code.woboq.org/linux/linux/scripts/kallsyms.c.html

zlib manual recommends将最常见的事件放在字典的末尾。

字典应该包含稍后可能在要压缩的数据中遇到的字符串（字节序列），最常用的字符串最好放在字典的末尾。当要压缩的数据很短并且可以高精度地预测时，使用字典是最有用的;然后可以比使用默认的空字典更好地压缩数据。

这是因为LZ77有一个滑动窗口算法，所以后续的子串可以在你的数据流上进一步到达。

我会使用更高级别的语言生成字典，并且支持字符串。一个粗略的JavaScript示例：

var str = "The dictionary should consist of strings (byte sequences) that"
    + " are likely to be encountered later in the data to be compressed,"
    + " with the most commonly used strings preferably put towards the "
    + "end of the dictionary. Using a dictionary is most useful when the"
    + " data to be compressed is short and can be predicted with good"
    + " accuracy; the data can then be compressed better than with the "
    + "default empty dictionary.";
// Extract words, remove punctuation (extra: replace(/\s/g, " "))
var words = str.replace(/[,\;.:\(\)]/g, "").split(" ").sort();
var  wcnt = [], w = "", cnt = 0; // pairs, current word, current word count
for (var i = 0, cnt = 0, w = ""; i < words.length; i++) {
    if (words[i] === w) {
        cnt++; // another match
    } else {
        if (w !== "")
            wcnt.push([cnt, w]); // Push a pair (count, word)
        cnt = 1; // Start counting for this word
        w = words[i]; // Start counting again
    }
}
if (w !== "")
    wcnt.push([cnt, w]); // Push last word
wcnt.sort(); // Greater matches at the end
for (var i in wcnt)
    wcnt[i] = wcnt[i][1]; // Just take the words
var dict = wcnt.join("").slice(-70); // Join the words, take last 70 chars

然后dict是70个字符串：

rdsusedusefulwhencanismostofstringscompresseddatatowithdictionarybethe

您可以尝试复制粘贴运行here（添加：“print（dict）”）

这只是整个单词，而不是子串。还有一些方法可以重叠常见的子串以节省字典上的空间。

在处理给定的数据集时，如何为zlib'setDictionary'找到一个好的/最佳的字典？

1 个答案: