（六）数据压缩

常用的压缩文件的扩展名
ZIP：windows，WINZIP可打开
RAR：windows，WINRAR可打开
LZH（日本）：windows，LZH工具可打开
gz：Unix，WINZIP可打开
z：Unix，WINZIP可打开

---

文件以字节为单位保存

文件压缩的算法

第一种，使用RLE算法。

RLE算法

1个英文半角字符=1字节，1个汉字全角字符=2字节
RLE（Run Length Recording，行程长度编码）算法：使用 “数据x重复次数” 的方法表示文件。
如AAAAAABBCDDEEEEEF=17字符=17字节，使用RLE算法压缩后写为，A6B2C1D2E5F1=12字符=12字节。

优点：压缩机制简单，容易编写。
缺点：适合压缩重复数据多的文件，因此适合于压缩图像文件，不适合文本文件。

第二种，使用哈夫曼算法和莫尔斯电码。

哈夫曼算法

关键：多次出现的数据用小于8位的字节数表示，不常出现的数据用大于8位的字节数表示。但是，最后这些数据都以8位为单位存储。

为待压缩对象文件分别构造最佳的编码体系，并基于这种编码体系进行压缩。

莫尔斯电码

莫尔斯电码的概念构成了压缩算法的基础。

例：AAAAAABBCDDEEEEEF=17字符=17字节
RLE算法：A6B2C1D2E5F1=12字符=12字节
莫尔斯编码：A6次+B2次+C1次+D2次+E5次+F1次+字符间隔16次
参考莫尔斯编码和位长表，4位6次+8位2次+9位1次+6位2次+1位5次+8位1次+2位16次=106位=14字节

直接使用莫尔斯电码来压缩，显然是有很大提升空间的。

结合二叉树的哈夫曼算法

使用二叉树，为出现频率最多的字符分配最小的位数，提高压缩率。

使用二叉树之前，先尝试：

缺点：不能明确区分同位数的编码，如100不能明确区分是C还是BA还是EAA。

使用二叉树（哈夫曼树）

使用哈夫曼树，得到能够明确区分的编码方案。再次回到上面的栗子：
哈夫曼树编码后，
AAAAAABBCDDEEEEEF
=00 00 00 00 00 00 100 100 110 101 101 01 01 01 01 01 111
=2x6+3x2+3x1+3x2+2x5+3x1=40位=5字节。
压缩率大大提高！
使用哈夫曼树编码压缩，对各种主要文件类型，都可以得到很高的压缩率。

可逆压缩和非可逆压缩

图像文件的数据形式

windows中，标准图像数据格式为BMP,即位图（bitmap）格式，是一种完全未压缩的格式。
其他图像数据格式：

与EXE文件、文本文件不同，多数情况下，图像文件并不要求压缩后的文件能够完全还原。

可逆压缩：压缩文件能够完全还原。
不可逆压缩：压缩文件不能完全还原

BMP格式：可逆压缩，画质无损失。
JPEG格式：非可逆压缩，因此画质有损失。
GIF格式：可逆压缩，但是有颜色不能超过256色的限制，因此在色彩上有损失。
TIFF格式：可选择可逆压缩或不可逆压缩。这里选择可逆压缩，看到它的大小比BMP格式的图片还要大，这是因为包含了标签的缘故。