GZIP源代码分析（一）

Gzip是Linux下的压缩软件，.gz后缀的文件就是经gzip压缩后的文件。Gzip的源码当然由压缩和解压缩两部分构成，但本文只打算介绍其压缩部分，这部分的代码风格良好，且注释充分，并能很好的体现所用到的算法，而解压的代码完全是没有注释的一坨，其解压思路我们大致可以根据压缩过程反向推理出来，所以就不管它了。

目录

一、算法介绍

二、实现介绍

……

一、Gzip中涉及的压缩算法简介：

1、游程编码（run length encoding）

这是一种非常直观的编码。一个例子就能说明：

一串数字5555557777733322221111111

经游程编码后变为（5，6）（7，5）（3，3）（2，4）（1，7）

不难发现，在一个括号中，第二个数字表示第一个数字重复的次数。

显然，这种编码方式，对字符连续出现次数很多的串，压缩效果很好。但对于字符不连续出现的串，哪怕出现的频率非常高，也无能为力。

2、LZ77编码

这是由名叫Lempel和Ziv的两个人在1977年提出的算法，所以被叫做LZ77算法。这种编码也很简单。一个例子：

这样一个字符串2B or not 2B, that is the Q.

经LZ77编码后变为2B or not (10, 2), that is the Q.

发现第二个2B被(10, 2)替换掉了，(10, 2)是一个距离-长度二元组，代表的意思是重复10个字符之前长度为2的串，数一下，发现果然就是2B。

显然，这种编码方式，对文本的压缩效果会很好，因为像英文中the啊and啊这些词经常出现。

3、哈弗曼编码

这个算法教科书中都有介绍。网上找了一篇很不错的介绍文章http://www.thecodeway.com/blog/?p=870

简单的说就是，根据字符在串中出现的频率，对字符的进行重新编码，在原编码和新编码之间建立一种一一映射，使出现频率较高的字符新编码较短，而出现频率低的字符新编码较长，这样就使得用新编码构成的串比原来短了。

不同于上面两种编码，经哈弗曼编码后的串，已经完全脱胎换骨，需要额外地保存新旧编码的一一映射关系，才能还原原字符串，即解压缩。  

至于gzip如何把这几种算法融合起来，且听下文分解。