文本文件压缩技巧-大学计算机基础　

在世界上的大多数语言中，某些字符或单词经常以相同的模式一起出现。正是由于这种高冗余性，而导致文本文件的压缩率会很高。通常，大小合适的文本文件的压缩率可以达到50％或更高。大多数编程语言的冗余度也很高，因为它们的命令相对较少，并且命令经常采用一种设定的模式。对于包含大量不重复信息的文件（如图像或MP3文件），则不能使用这种机制来获得很高的压缩率，因为它们不包含重复多次的模式。

如果文件有大量重复模式，那么压缩率通常会随着文件大小的增加而增加。此外，文件压缩效率还取决于压缩程序使用的具体算法。有些程序能够在某些类型的文件中更好地寻找到模式，因此能更有效地压缩这些类型的文件。其他一些压缩程序在字典中又使用了字典，这使它们在压缩大文件时表现很好，但是在压缩较小的文件时效率不高。尽管这一类的所有压缩程序都基于同一个基本理念，它们的执行方式却各不相同。

大多数计算机文件类型都包含相当多的冗余内容——它们会反复列出一些相同的信息。文件压缩程序就是要消除这种冗余现象。与反复列出某一块信息不同，文件压缩程序只列出该信息一次，然后当它在原始程序中出现时再重新引用它。以下使用案例进行说明。

前美国总统肯尼迪（John F.Kennedy）在1961年的就职演说中曾说过下面这段著名的话：“Ask not what your country can do for you——ask what you can do for your coun-try.”（不要问国家能为你做些什么，而要问自己能为国家做些什么。）

这段话有17个单词，包含61个字母、16个空格、1个破折号和1个句点。如果每个字母、空格或标点都占用1个内存单元，那么文件的总大小为79个单元。为了减小文件的大小，我们需要找出冗余的部分。

可以发现：如果忽略大小写字母间的区别，这个句子几乎一半是冗余的。9个单词（ask、not、what、your、country、can、do、for、you）几乎提供了组成整句Ask not what your country can do for you——ask what you can do for your country话所需的所有东西。为了构造出另一半句子，我们只需要拿出前半段句子中的单词，然后加上空格和标点就行了。

大多数压缩程序使用基于自适应字典的“LZ算法”来缩小文件。“LZ”是指此算法的发明者Lempel和Ziv，这里的“字典”是指对数据块进行归类的方法。

排列字典的机制有很多种，也可以像编号列表那样简单。在检查肯尼迪这句著名讲话时，可以挑出重复的单词，并将它们放到编号索引中，然后直接写入编号而不是写入整个单词。(www.xing528.com)

因此，如果我们的建立字典：1—ask，2—what，3—your，4—country，5—can，6—do，7—for，8—you。

上面的句子现在就应该是这样的：1 not 2 3 4 5 6 7 8——1 2 8 5 6 7 3 4。

如果这种机制，那么只需使用该字典和编号模式即可轻松重新构造出原始句子。这就是在展开某个下载文件时，计算机中的解压缩程序所做的工作。用户可能还遇到过能够自行解压缩的压缩文件。若要创建这种文件，编程人员需要在被压缩的文件中设置一个简单的解压缩程序。在下载完毕后，它可以自动重新构造出原始文件。

但是使用这种机制究竟能够节省多少空间呢？“1 not 2 3 4 5 6 7 8——1 2 8 5 6 7 3 4”当然短于“Ask not what your country can do for you——ask what you can do for your country.”，但应注意的是，我们需要随文件一起保存这个字典。

在实际压缩方案中，计算出各种文件需求是一个相当复杂的过程。让我们回过头考虑一下上而的例子。每个字符和空格都占用1个内存单元，整个原句要用79个单元。压缩后的句子（包括空格）占用了37个单元，而字典（单词和编号）也占用了37个单元。也就是说，文件的大小为74个单元，因此我们并没有把文件大小减少很多。

但这只是一个句子的情况。可以想象，如果用该压缩程序处理完肯尼迪讲话的其余部分，我们会发现各种单词重复的情况。为了得到尽可能高的组织效率，可以对字典进行重写。

注意，在使用压缩文件之前必须解压，如果试图使用文字处理软件打开某被压缩的文件，只会看到一堆乱码。通常，文字处理软件甚至不会打开这种文件，相反会显示一个错误信息，说明此种文件类型（含有.zip扩展名）不能打开。看到这种信息，就应该想到应该先把它解压缩。