ZIP压缩算法：看大神是如何设计的

      如题，开始看算法之前，先看一下该算法的作者，大牛Phil Katz（简称PK）的人生轨迹：
      PKzip创始人Phil Katz短暂而饱受折磨的一生
      好了，让我们怀着对命运深深的惋惜和对大神满满的敬意开始ZIP算法之旅：
      ZIP压缩算法详细分析及解压实例解释
      其实这篇文章讲的已经是比较清楚了，但因为讲到许多细节，内容还是偏长，我尽量简略总结和补充下。
      ZIP压缩的核心逻辑就是对重复的内容用其前面（32K Bytes）内容所在位置、长度来存储，不必存储内容本身。文件以字节为单位的字符串来处理，重复内容超过3Bytes时这样存储，最大为256 Bytes（超过就作为两部分重复内容），不重复就直接存为原来的内容。
       我们知道在信息论中，不定长编码（比如算法里用到的Huffman编码）存储时是根据字符出现的概率来进行编码设计的，出现次数越多码长就越短，这样就能使编码后的数据越短。
      这下好了，要压缩一个文件，首先要对该文件内容进行统计，看共有多少种重复内容的位置（理论上会有32K，但是一般不会有这么多，所以被PK给分成30个区间了）以及多少重复内容的长度（最多256种，当然被PK给分成29个区间了），以及多少种字符（最多256个，一般不会全出现，比如一篇英文文章）。
      然后呢，PK将字符种类数和重复内容的长度种类区间数合并考虑，256+29=285种，简单说来就是说不超过256就是没有重复的字符，不用解码，超过256小于285就是重复内容的长度种类区间代码，表示接下来你需要从前面内容来恢复数据了。我们之前说过，这285个种类数不可能全部出现，根据实际出现的概率来进行编码的话怎么编呢？Huffman编码，不多说了，码元满足无损解码和最短码元长度。这样我们根据字符情况，没有重复的字符就是直接用编码存储，是重复内容就先将长度编码存储（区间码元+区间内固定长度位移顺序码），然后再将位置编码存储（同样也是区间码元+区间内固定长度位移顺序码）。
这就是Zip压缩的基本逻辑，首先要根据内容统计设计好码元，然后按照码元进行内容编码。
接下来的问题，如何设计这两种码元（最大285以及30这两个），以及如何将码元信息存储。
       如何设计码元呢，PK按照一种特殊的Huffman树（右倾树）进行码元设计，以285种这个设计为例，即使最多的285种码元设计后最长的码元长度也不会超过15（文件大的话估计码元长度一般集中在6、7、8、9这几个长度，15、1、14、2之类的可能不会有或很少）。至于30个位置种类区间更不在话下，码元长度不超过7个，列出30个数即可，当然PK依旧省去后面的0，就可能不到30个了。
      如何存储码元呢，不是已经有了有285和30个设计好的码元吗，那么我们只要有了这一串码元长度信息序列就可以恢复出码元，为什么？就因为那棵特殊的Huffman编码树，PK真的对Huffman树理解的很深！
      这时你可以说，OK了，没必要多说了，285个码元长度数先按固定长度顺序列出（每个数不超过15嘛，285*4bits足矣，143Bytes），便于描述就设该序列为SQ1，再列出30个码元长度数的序列（每个数不超过7，30*3bits足矣，12Bytes），便于描述就设为SQ2。是的，我也这么想的，然而PK没有停止，这点数据也要压缩存储。好吧，直接的说就是对这两种码元长度序列再进行Huffman编码，序列中不是只有16个数嘛，给你补上3个便于游程编码，一共19个，这19个也不一定全出现，那么根据统计进行Huffman码元设计。同样，这个码元也用码元长度（不超过7）序列来存储，假设为CCL。好，现在设计好了存储SQ1和SQ2序列要用的码元，按照这个码元对之前的SQ1和SQ2就可以游程编码存储，来节省直接存储SQ1和SQ2内容所占空间。那么什么是游程编码呢？就是对一段连续出现字符（比如44444）采用4,16（有重复情况）,11（重复次数，一般超过4次才这样表示）这种方式来表示，这对于SQ1和SQ2经常出现的大段大段连续的0来说能节省不少存储空间，具体游程方案看上面博客内容吧。
      好了，请问对最后这个存储码元信息的码元长度序列CCL怎么处理，要不要再来次Huffman编码，你可以试一试，反正PK没有再用Huffman折腾了（CCL中的值都不超过7了，也才19个数，就歇歇吧），直接对序列中19数每个分3bit来记录码元长度（不超过7，当然可以），19个数(19种码元长度)可能也不会全部出现，没有出现的CCL值为0，那么这19*3bits居然还可以省！省掉后面的0！将19个数顺序打乱，最可能为0的放到序列末尾，比如长度很长或很短的码元，15、1、14、2之类的可能不会出现，其CCL值就为0，而16、17、18基本不可能为0，就放到序列前面，看到这里，我都差点要崩溃了，这能省几个Bytes啊，PK你是处女座的吗！要逼死人啊！
      终于编码结束了，如何解码呢，根据以上所述，先是根据CCL（编码时要指定长度，因为不一定为19*3bit）解出SQ1和SQ2编码所用的码元，根据这个码元和SQ1游程编码的数据解出SQ1（编码时要指定长度，因为SQ1不一定为285个数），再根据这个码元和SQ1游程编码的数据解出SQ2（编码时要指定长度，因为SQ2不一定为30个数）。好，现在有了SQ1和SQ2就可以解出其代表的码元，根据这两个码元进而对原始文件内容压缩后的数据进行Huffman译码，先译285（字符数+重复内容长度区间数）这个信息，不超过256就是原始数据，超过了就是重复内容长度信息，需要接着译出重复内容位置信息，根据已译出的内容查询即可解出代表的内容，依次类推直到文件结束。
      顺便说一下，ZIP大概能压缩至源文件50%~70%大小，毕竟无损压缩，不错了！
      博客对ZIP改进方案进行了展望，专业做编解码的可以深入一下！
      补充一下，在编解码时要用到的主要算法：首先是统计重复内容上要用到模式匹配算法，尽可能寻找最长的重复内容；然后就是Huffman编码、同时根据码元长度序列恢复Huffman码元也是要一个算法（二叉树的存储与恢复）；编码时还有个游程编码。这几个算法在常见的算法书里都有，不算很难，有兴趣的话可以自己写一个ZIP编解码程序。