亲自尝试压缩数据

问题

1. 文件存储的基本单位是什么？

   1字节

2. DOC、LZH和TXT这些扩展名中，哪一个是压缩文件的扩展名？

   LZH是用LHA等工具压缩过的文件的扩展名

3. 文件内容用“数据的值×循环次数”来表示的压缩方法是RLE算法还是哈夫曼算法？

   RLE算法

4. 在Windows计算机经常使用的SHIFT JIS字符编码中，1个半角英数是用几个字节的数据来表示的？

   半角英文数字是用1字节来表示的，汉字等全角字符是用2字节来表示的

5. BITMAP格式的图像文件，是压缩过的吗？

   BMP格式的图像文件是没有被压缩过的，因此要比JPEG格式等压缩过的图像文件大不少

6. 可逆压缩和非可逆压缩的不同点是什么？

   压缩后是否能复原。非可逆压缩的图像不会让人感到不自然。

文件以字节为单位保存

文件是将数据存储在磁盘等存储媒介中的一种形式。程序文件中存储数据的单位是字节。文件就是字节数据的集合。在任何情况下，文件中的字节数据都是连续存储的。

RLE算法的机制

把文件内容用“数据×重复次数”的形式来表示的压缩方法称为RLE算法（行程长度编码Run Length Encoding）。经常被用于压缩传真的图像等。它的缺点也很明显，不适合对文本文件进行压缩，因为文本文件中同样字符连续出现的部分并不多。

通过莫尔斯编码来看哈夫曼算法的基础

哈夫曼算法的关键就在于多次出现的数据用小于8位的字节数来表示，不常用的数据则可以用超过8位的字节数来表示。但不管是不满8位的数据，还是超过8位的数据，最终都要以8位为单位保存到文件中。为了实现这一处理，压缩程序的内容会复杂很多，不过作为回报，最终得到的压缩率也是相当高的。

莫尔斯编码把一般文本中出现频率高的字符用短编码来表示。这里所说的出现频率，不是通过对出版物等文章进行统计调查得来的，而是根据印刷行业的印刷活字数目而确定的。

用二叉树实现哈夫曼编码

哈夫曼算法是指，为各压缩对象文件分别构造最佳的编码体系，并以该编码体系为基础来进行压缩。用哈夫曼算法压缩过的文件中，存储着哈夫曼编码信息和压缩过的数据。编码体系可以按照“出现频率高的字符用尽量少的位数编码来表示”这一原则进行整理。不过，这个编码体系是存在问题的。该问题就是，如果不加入用来区分字符的符号，这个编码就无法使用。而在哈夫曼算法中，通过借助哈夫曼树构造编码体系，即使在不使用字符区分符号的情况下，也可以构建能够明确进行区分的编码体系（哈夫曼树下一些编码会向前补0方便区分）。

哈夫曼算法能够大幅提升压缩比率

从用哈夫曼算法压缩过的文件中读取数据后，就会以位为单位对该数据进行排查，并与哈夫曼树进行比较看是否到达了目标编码，这就是为什么哈夫曼算法可以对数据进行区分的原因。不管是哪种类型的文件，都得到了很高的压缩比率。

可逆压缩和非可逆压缩

图像文件的使用目的通常是把图像数据输出到显示器、打印机等设备上。Windows的标准图像数据形式为BMP，是完全未压缩的。由于显示器及打印机输出的点是可以直接映射的，因此便有了Bitmap这一名称。

图像文件还可以使用与前面介绍的RLE、哈夫曼算法不同的其他压缩算法。这是因为，多数情况下，并不要求压缩后的图像文件必须还原到与压缩前同等的质量。对于图像文件来说，即使有时无法还原到压缩前那样鲜明的图像状态，但只要肉眼看不出什么区别，有一些模糊也勉强可以接受。而文本文件不能进行非可逆压缩。

• JPEG：非可逆压缩，因此还原后图像信息有一部分是模糊的
• TIFF：带有各种标签信息，还可以选择压缩格式，无压缩时比原始的BMP文件还要大
• GIF：可逆压缩，但因为有色数不能超过256色的限制，还原后颜色信息会有一些缺失

压缩算法的种类大概有一二十种。之所以会存在如此多的压缩算法，是因为压缩比率、压缩需要的处理时间以及各种文件的需求等是不一样的。