Quicklz压缩算法

以前对压缩算法一无所知，只是知道哈弗曼编码能做这种事情，但是感觉这样的方法奇慢无比。昨天下午看了下号称世界上最快的压缩算法Quicklz，对压缩的基本思路有了一定的了解。一般的压缩程序的要求读入文件之后以便压缩一边输出，而不是去先分析整个文件中的情况之后才做决定采取哪种算法。

　　Quicklz也不例外也是争取利用文件中重复出现的字节来进行压缩，管理结构如下：

在压缩的过程中不断地读入3个字节，然后根据这3个字节得到一个hash值，根据这个hash值就可以找到offset，这个offset就是上次这个hash值出现的位置，而通过cache可以判断出这次出现的和最近一次出现相同hash值的时候的3个字节是不是相同（可能hash相同而实际的值不同）。

　　如果相同的长度在3到18之间，那么这些情况可以用4个位来表示。而大于18小于255的情况则需要8位来表示，刚才用于表示长度的低4为则全部变为0，以区别两种情况。在Level=1的时候就只有这两种情况了。在压缩的过程中用4个字节来记录压缩操作，如果有压缩则为1，否则为0。下面是level=1时候的情况：

　　level=1的时候有个很明显的问题是只记录了一个hash相同时候的cache，这样的话只能等到与上次的值相同才能压缩，而与以前的值相同也不行。在level=2和level=3的时候弥补了这个缺陷，但是代价就是压缩的时间变长。在level=2的时候保存了4个offset（相同hash的位置），然后在这四个中取到重复字节长度最长的一个作为压缩选项（这个值保存在最低的2位中），而重复的长度信息保存在接下来的3个位中（如果够的话，不然初始化这3个位为0，在hash值后面的一个字节中保存），其他的地方就和level=1的时候相同了。压缩后文件的格式如下：

　　在上面的情况中我们发现如果是3个字节相同的话只能把它压缩成2个字节。而在level=3的时候弥补了这个缺陷，在level=3的时候与前两个的不同之处是最低的两位统一作为标志，记录进行了什么操作，具体的代码如下：

if(matchlen == 3 && offset <= 63)
{
    *dst = (unsigned char)(offset << 2);
    dst++;
}
else if (matchlen == 3 && offset <= 16383)
{
    ui32 f = (ui32)((offset << 2) | 1);
    fast_write(f, dst, 2);
    dst += 2;
}        
else if (matchlen <= 18 && offset <= 1023)
{
    ui32 f = ((matchlen - 3) << 2) | ((ui32)offset << 6) | 2;
    fast_write(f, dst, 2);
    dst += 2;
}
else if(matchlen <= 33)
{
    ui32 f = ((matchlen - 2) << 2) | ((ui32)offset << 7) | 3;
    fast_write(f, dst, 3);
    dst += 3;
}
else
{
    ui32 f = ((matchlen - 3) << 7) | ((ui32)offset << 15) | 3;
    fast_write(f, dst, 4);
    dst += 4;
}

虽然最后的两种情况的最低两位都是11，但是从下面的格式图中一眼就能看出区别（对应上面的代码看）：

　　这里知道了文件被压缩后保存的存储格式，下面考虑一下怎么解压。在level=3的时候解压方法还是很好理解的。但是在level=1和level=2的时候怎么解压呢？毕竟压缩文件中只是存储了hash值，而没有指出重复的字节串，甚至连offset都没有给出。这里其实很好理解，因为第一次遇到一个hash的时候当然是不会去压缩它的，那么在解压程序中我们就得到了offset的值，并且随着解压的进行，hash和offset的值与压缩时候的变化是相同的，所有不必保存这些值也能保证正确的解压。