Algorithm 如何获得bzip2发现的模式？（或任何其他压缩算法）

我有一个由字符“0”、“1”、“2”、“3”组成的巨大文件。没有空格，没有别的。就这4个字。我已经使用bzip2对其进行了压缩，文件大小从X减小到了0.05*X。我想知道bzip2找到了哪些字符串/模式来实现该文件的压缩版本（例如0123213232、0123121222112等）。有没有一种简单的方法可以从实际的bz2文件中提取信息，或者通过运行带有一些特殊命令行选项的bzip2来提取信息

如果你知道其他一些现有压缩程序的答案，我也很有兴趣听一听

谢谢你的帮助

最好的，

---

Surikator.

Bzip2使用Burrows-Wheeler变换以可逆的方式将重复的字节序列转换为相同字节的序列。然后使用该算法将重复字节转换为零序列。之后，它将使用较短的符号分配给更频繁的字节（可能是零）。您可以在上找到更多详细信息。

bzip2没有此选项，而且它的工作方式与我认为的工作方式不完全相同。无论如何，您可以在算法中找到不同部分的代码。正如@stribika所提到的，它使用Burrows Wheeler和move to front算法，然后通过哈夫曼编码器进行压缩。谷歌应该用你选择的语言为你提供一些Burrow's Wheeler转换的结果

然而，基于您所寻找的，我认为您需要更多的字典式编码器。您可能对LZW算法感兴趣：

它将建立一个如您所示的字符串字典。

Burrows-Wheeler变换 它也称为块排序。如果您不喜欢阅读维基百科，请阅读1999年计算机科学数学基础：

哈夫曼编码 输入：

“这是哈夫曼树的一个示例”

。这样的二叉树是构建的：

然后用它来建立编码表：

 Char ' ' nr(32)    | binary:00100000 | new binary:111
 Char 'a' nr(97)    | binary:01100001 | new binary:001
 Char 'e' nr(101)   | binary:01100101 | new binary:000
 Char 'f' nr(102)   | binary:01100110 | new binary:1101
 Char 'h' nr(104)   | binary:01101000 | new binary:1100
 Char 'i' nr(105)   | binary:01101001 | new binary:1001
 Char 'l' nr(108)   | binary:01101100 | new binary:01101
 Char 'm' nr(109)   | binary:01101101 | new binary:1000
 Char 'n' nr(110)   | binary:01101110 | new binary:1011
 Char 'o' nr(111)   | binary:01101111 | new binary:01100
 Char 'p' nr(112)   | binary:01110000 | new binary:01111
 Char 'r' nr(114)   | binary:01110010 | new binary:01110
 Char 's' nr(115)   | binary:01110011 | new binary:1010
 Char 't' nr(116)   | binary:01110100 | new binary:0101
 Char 'u' nr(117)   | binary:01110101 | new binary:01001
 Char 'x' nr(120)   | binary:01111000 | new binary:01000

只有在具有相同的树的情况下，才能读取新的二进制文件，因此输出中也支持该树。数据的长度也是存储的，因为新二进制的和不是完整的字节数

开放软件 你可以随便看看

• 手册页：
• 或来源：

---

出于某种奇怪的原因，我无法将此链接添加到我的答案中：–Wheeler_transform Ahh，如果您单击它，它会指向错误的位置。这是有效的（通过右键单击“文章”选项卡获得）：我猜您的意思是“较短的符号”而不是“排序器符号”（即“新二进制”列中Margus”答案中显示的较少位）.官方网站上有源文件。向它们添加一些

printf（）

s很简单。在官方的bzip2网站上？我肯定那里有C源。我还发现了Burrows-Wheeler变换的Ocaml实现。谷歌可以做到这一点。