1. 引言
LZ77算法是采用字典做数据压缩的算法，由以色列的两位大神Jacob Ziv与Abraham Lempel在1977年发表的论文《A Universal Algorithm for Sequential Data Compression》中提出。
基于统计的数据压缩编码，比如Huffman编码，需要得到先验知识——信源的字符频率，然后进行压缩。但是在大多数情况下，这种先验知识是很难预先获得。因此，设计一种更为通用的数据压缩编码显得尤为重要。LZ77数据压缩算法应运而生，其核心思想：利用数据的重复结构信息来进行数据压缩。举个简单的例子，比如
取之以仁义，守之以仁义者，周也。取之以诈力，守之以诈力者，秦也。
取之以、仁义、，、者、守之以、也、诈力、。均重复出现过，只需指出其之前出现的位置，便可表示这些词。为了指明出现位置，我们定义一个相对位置，如图
相对位置之后的消息串为取之以诈力，守之以诈力者，秦也。，若能匹配相对位置之前的消息串，则编码为以其匹配的消息串的起始与末端index；若未能匹配上，则以原字符编码。相对位置之后的消息串可编码为：[(1-3),(诈力),(6),(7-9),(诈力),(12),(6),(秦),(15-16)]，如图所示：
上面的例子展示如何利用索引值来表示词，以达到数据压缩的目的。LZ77算法的核心思想亦是如此，其具体的压缩过程不过比上述例子稍显复杂而已。
2. 原理
本文讲主要讨论LZ77算法如何做压缩及解压缩，关于LZ77算法的唯一可译、无损压缩（即解压可以不丢失地还原信息）的性质，其数学证明参看原论文[1]。
滑动窗口
至于如何描述重复结构信息，LZ77算法给出了更为确切的数学解释。首先，定义字符串S的长度为N，字符串S的子串Si,j, 1≤i,j≤N。对于前缀子串S1,j，记Lji为首字符SiSi的子串与首字符Sj+1的子串最大匹配的长度，即：
我们称字符串Sj+1,j+l匹配了字符串Si,i+l−1，且匹配长度为ll。如图所示，存在两类情况：
定义pjpj为所有情况下的最长匹配的ii值，即
pj=argmaxi{Lji}subject to1≤i≤j
比如，字符串S=00101011且j=3，则有
- Lj1=1，因为Sj+1,j+1=S1,1, Sj+1,j+2≠S1,2;
- Lj2=4，因为Sj+1,j+1=S2,2, Sj+1,j+2=S2,3，Sj+1,j+3=S2,4，Sj+1,j+4=S2,5，Sj+1,j+5≠S2,6；
- Lj3=0，因为Sj+1,j+1≠S3,。
因此，pj=2且最长匹配的长度lj=4. 从上面的例子中可以看出：子串Sj+1,j+p是可以由S1,j生成，因而称之为S1,jj的再生扩展（reproducible extension）。LZ77算法的核心思想便源于此——用历史出现过的字符串做词典，编码未来出现的字符，以达到数据压缩的目的。在具体实现中，用滑动窗口（Sliding Window）字典存储历史字符，Lookahead Buffer存储待压缩的字符，Cursor作为两者之间的分隔，如图所示：
并且字典与Lookahead Buffer的长度是固定的。
压缩
用(p,l,c)(p,l,c)表示Lookahead Buffer中字符串的最长匹配结果，其中
- pp表示最长匹配时，字典中字符开始时的位置（相对于Cursor位置），
- ll为最长匹配字符串的长度，
- cc指Lookahead Buffer最长匹配结束时的下一字符
压缩的过程，就是重复输出(p,l,c)，并将Cursor移动至l+1，伪代码如下：
Repeat:
Output (p,l,c),
Cursor --> l+1
Until to the end of string压缩示例如图所示：
解压缩
为了能保证正确解码，解压缩时的滑动窗口长度与压缩时一样。在解压缩，遇到(p,l,c)大致分为三类情况：
- p==0且l==0，即初始情况，直接解码c；
- p>=l，解码为字典
dict[p:p+l+1]； - p<l，即出现循环编码，需要从左至右循环拼接，伪代码如下：
for(i = p, k = 0; k < length; i++, k++)
out[cursor+k] = dict[i%cursor]比如，dict=abcd，编码为(2,9,e)，则解压缩为output=abcdcdcdcdcdce。
3. 实现
bitarray的实现请参看A Python LZ77-Compressor，下面给出简单的python实现。
# coding=utf-8
class LZ77:
"""
A simplified implementation of LZ77 algorithm
"""
def __init__(self, window_size):
self.window_size = window_size
self.buffer_size = 4
def longest_match(self, data, cursor):
"""
find the longest match between in dictionary and lookahead-buffer
"""
end_buffer = min(cursor + self.buffer_size, len(data))
p = -1
l = -1
c = ''
for j in range(cursor+1, end_buffer+1):
start_index = max(0, cursor - self.window_size + 1)
substring = data[cursor + 1:j + 1]
for i in range(start_index, cursor+1):
repetition = len(substring) / (cursor - i + 1)
last = len(substring) % (cursor - i + 1)
matchedstring = data[i:cursor + 1] * repetition + data[i:i + last]
if matchedstring == substring and len(substring) > l:
p = cursor - i + 1
l = len(substring)
c = data[j+1]
# unmatched string between the two
if p == -1 and l == -1:
return 0, 0, data[cursor + 1]
return p, l, c
def compress(self, message):
"""
compress message
:return: tuples (p, l, c)
"""
i = -1
out = []
# the cursor move until it reaches the end of message
while i < len(message)-1:
(p, l, c) = self.longest_match(message, i)
out.append((p, l, c))
i += (l+1)
return out
def decompress(self, compressed):
"""
decompress the compressed message
:param compressed: tuples (p, l, c)
:return: decompressed message
"""
cursor = -1
out = ''
for (p, l, c) in compressed:
# the initialization
if p == 0 and l == 0:
out += c
elif p >= l:
out += (out[cursor-p+1:cursor+1] + c)
# the repetition of dictionary
elif p < l:
repetition = l / p
last = l % p
out += (out[cursor-p+1:cursor+1] * repetition + out[cursor-p+1:last] + c)
cursor += (l + 1)
return out
if __name__ == '__main__':
compressor = LZ77(6)
origin = list('aacaacabcabaaac')
pack = compressor.compress(origin)
unpack = compressor.decompress(pack)
print pack
print unpack
print unpack == 'aacaacabcabaaac'4. 参考资料
[1] Ziv, Jacob, and Abraham Lempel. "A universal algorithm for sequential data compression." IEEE Transactions on information theory 23.3 (1977): 337-343.
[2] guyb, 15-853:Algorithms in the Real World.
