Джон Рейзер объяснил на comp.compression :
Для словаря: создайте гистограмму коротких подстрок , отсортируйте по размеру выплаты (число вхождений, умноженное на число битов, сохраненных при сжатии) и поместите в словарь подстроки с самой высокой выплатой. Например, если k - длина самой короткой подстроки, которая может быть сжата (обычно 3 == k или 2 == k), то составьте гистограмму всех подстрок длины k, 1 + k, 2 + k и 3 + к. Конечно, есть некоторая возможность поместить эти подстроки в словарь, используя преимущества подстрок, перекрытия, коротких строк ближе к концу с высоким адресом и т. Д.
Ядро Linux использует аналогичную технику для сжатия имен символов, которые используются для печати следов стека вызовов подпрограммы. Смотрите файл scripts / kallsyms.c. Например, https://code.woboq.org/linux/linux/scripts/kallsyms.c.html
Руководство zlib рекомендует размещать наиболее распространенные вхождения в конце словаря.
Словарь должен состоять из строк (байтовых последовательностей), которые, вероятно, встретятся позже в данных, подлежащих сжатию, при этом наиболее часто используемые строки предпочтительно ставятся в конце словаря. Использование словаря наиболее полезно, когда сжатые данные короткие и могут быть предсказаны с хорошей точностью; тогда данные можно сжать лучше, чем с помощью пустого словаря по умолчанию.
Это потому, что LZ77 имеет алгоритм скользящего окна, поэтому более поздние подстроки будут доступны дальше в вашем потоке данных, чем первые несколько.
Я бы поиграл с генерацией словаря на языке более высокого уровня с хорошей поддержкой строк. Пример грубого JavaScript:
var str = "The dictionary should consist of strings (byte sequences) that"
+ " are likely to be encountered later in the data to be compressed,"
+ " with the most commonly used strings preferably put towards the "
+ "end of the dictionary. Using a dictionary is most useful when the"
+ " data to be compressed is short and can be predicted with good"
+ " accuracy; the data can then be compressed better than with the "
+ "default empty dictionary.";
// Extract words, remove punctuation (extra: replace(/\s/g, " "))
var words = str.replace(/[,\;.:\(\)]/g, "").split(" ").sort();
var wcnt = [], w = "", cnt = 0; // pairs, current word, current word count
for (var i = 0, cnt = 0, w = ""; i < words.length; i++) {
if (words[i] === w) {
cnt++; // another match
} else {
if (w !== "")
wcnt.push([cnt, w]); // Push a pair (count, word)
cnt = 1; // Start counting for this word
w = words[i]; // Start counting again
}
}
if (w !== "")
wcnt.push([cnt, w]); // Push last word
wcnt.sort(); // Greater matches at the end
for (var i in wcnt)
wcnt[i] = wcnt[i][1]; // Just take the words
var dict = wcnt.join("").slice(-70); // Join the words, take last 70 chars
Тогда dict - это строка из 70 символов с:
rdsusedusefulwhencanismostofstringscompresseddatatowithdictionarybethe
Вы можете попробовать скопировать-вставить-запустить здесь (добавить: "print (dict)")
Это просто целые слова, а не подстроки. Также есть способы перекрытия общих подстрок для экономии места в словаре.