如何获取bzip2发现的模式？ （或任何其他压缩算法）

Question

我有一个巨大的文件，由字符“0”，“1”，“2”，“3”组成。没有空间，没有别的。这4个字符。我用bzip2压缩它，文件从X减小到0.05 * X.我想知道bzip2找到什么字符串/模式来实现文件的压缩版本（例如0123213232,0123121212222112等）。有没有一种简单的方法可以从实际的bz2文件中提取信息，或者通过运行bzip2和一些特殊的命令行选项来提取信息？

如果您知道其他现有压缩程序的答案，我也有兴趣听到这个。

感谢您的帮助。

最佳， Surikator。

Answer 1

Bzip2使用Burrows-Wheeler变换以可逆的方式将重复的字节序列转换为相同字节的序列。然后，它使用move-to-front算法将重复的字节转换为零序列。之后，它使用huffmann coding将更短的符号分配给更频繁的字节（可能是零）。您可以在wikipedia page上找到更多详细信息。

Answer 2

bzip2没有这方面的选项，它不能完全像我认为你认为它的工作。无论如何，您可以找到算法中各个部分的代码。正如@stribika所提到的，它使用Burrows-Wheeler并在通过霍夫曼编码器泵送之前转向前算法。谷歌应该用你选择的语言为你获得Burrow's Wheeler变换的结果。

但是，根据您的需求，我认为您需要更多字典样式编码器。您可能对LZW算法感兴趣：

http://en.wikipedia.org/wiki/Lempel%E2%80%93Ziv%E2%80%93Welch

它将构建一个像你所展示的字符串字典。

Answer 3

Burrows-Wheeler变换

它也称为块排序。如果您不喜欢阅读维基百科，请阅读计算机科学数学基础1999：http://books.google.ee/books?id=OcJjpqAi15EC&pg=PA34&lpg=PA34&dq=mathematica+Burrows%E2%80%93Wheeler+transform&source=bl&ots=KaOOIPJcKC&sig=5PzHG9UQeg3opr1FUMq8mPAxfn4&hl=et&ei=Y6vPTLfVFsqCOozvvPcE&sa=X&oi=book_result&ct=result&resnum=1&ved=0CBMQ6AEwAA#v=onepage&q&f=false

霍夫曼编码

输入："this is an example of a huffman tree"。像这样的二叉树是建立的：

然后用它来构建编码表：

 Char ' ' nr(32)    | binary:00100000 | new binary:111
 Char 'a' nr(97)    | binary:01100001 | new binary:001
 Char 'e' nr(101)   | binary:01100101 | new binary:000
 Char 'f' nr(102)   | binary:01100110 | new binary:1101
 Char 'h' nr(104)   | binary:01101000 | new binary:1100
 Char 'i' nr(105)   | binary:01101001 | new binary:1001
 Char 'l' nr(108)   | binary:01101100 | new binary:01101
 Char 'm' nr(109)   | binary:01101101 | new binary:1000
 Char 'n' nr(110)   | binary:01101110 | new binary:1011
 Char 'o' nr(111)   | binary:01101111 | new binary:01100
 Char 'p' nr(112)   | binary:01110000 | new binary:01111
 Char 'r' nr(114)   | binary:01110010 | new binary:01110
 Char 's' nr(115)   | binary:01110011 | new binary:1010
 Char 't' nr(116)   | binary:01110100 | new binary:0101
 Char 'u' nr(117)   | binary:01110101 | new binary:01001
 Char 'x' nr(120)   | binary:01111000 | new binary:01000

如果您拥有相同的树，则只能读取新二进制文件，因此也会在输出中进行备份。此外，数据的长度也是存储的，因为新二进制数的总和不是完整的字节数。

打开软件

你可以阅读

• 手册页：http://www.bzip.org/1.0.5/bzip2-manual-1.0.5.html
• 或来源：http://www.bzip.org/1.0.6/bzip2-1.0.6.tar.gz