gzip的不同压缩级别有何不同？

Question

我正在努力理解gzip的不同压缩级别（1-9）在实现编码方面的区别。

我查看了zlib C源代码，似乎与搜索最长匹配字符串的详尽程度有关，但是寻找更具体的信息。

例如，这些级别是否在哈夫曼编码的分配上有任何差异？

- glupyan

Answer 1

级别只是指deflate寻找匹配字符串的难度不同，正如您所观察到的那样。哈夫曼编码是在选定的一定数量的符号（字面量和长度/距离对）上完成的，生成一个“块”，其中该数字由内存级别而不是压缩级别定义。生成的哈夫曼编码将必然不同，因为要编码的符号不同。

内存级别的选择也对压缩有一定影响，因为更多符号可以将代码描述的成本分摊到更多符号上，但过多的符号可能会阻止Huffman编码对符号统计学中的局部变化进行自适应。默认内存级别为8（每个块16,383个符号），因为测试表明这比级别9（每个块32,767个符号）更好地压缩。但是，这可能因情况而异。

- Mark Adler

---

谢谢！如果重复的字符串倾向于出现在更远（但在同一块中）位置，是否正确认为存储更大距离将需要更多内存？例如，在文件中具有相同程度的（总体）重复的情况下，平均出现距离为50字节的重复字符串将产生比平均出现距离为500字节的重复字符串稍好的压缩比例？或者分配给距离的内存是固定的吗？ - glupyan

对于更远的距离，需要更多的位数。50的距离将占用4个位加上一个哈夫曼编码（至少1个位），而500的距离将占用7个位加上一个哈夫曼编码。哈夫曼编码的大小取决于这些距离与其他距离相比出现的频率。 - Mark Adler

Answer 2

据我记得，是的，这主要取决于你将要分配的缓冲区的大小。缓冲区越大，压缩效果就会越好。如果你能够分配一个大小大约为“输入文件大小×1.2”的缓冲区，在大多数情况下，你将获得使用Huffman算法最佳的压缩效果。

原因在于，当你有如此大的缓冲区时，Huffman表将包含所有字节，并以最佳结果展现出来。当算法用尽缓冲区空间时，它需要重置其表（流中添加了一个代码来实现），这意味着你需要从头开始构建一个新的编码表，这样就会丢失掉重新设计新表所需的字节...

尽管存在一些情况下重置可能是有益的（例如文件前半部分有许多字节设置为值X，而后半部分有更多字节设置为值Y），但这种情况很少发生。

- Alexis Wilke