可视化展示Gzip压缩算法

Gzip基于LZ77算法，它的原理是：将数据文件中已出现过的字符用一个“长度－距离”指针代替，这样就避免了冗余。

下面这段视频，显示了手动输入叙事诗《乌鸦》（The Raven）时的算法运行效果。高亮的文字是之前已输入过的内容。如果你想自己输入文字做实验，可以参考这里的代码。

优酷视频链接（原始出处）

严格来说，LZ77压缩只是Gzip的第一步，下一步是通过哈夫曼编码进一步优化压缩结果。如果你想了解完整的压缩过程，这里有一篇详细的文章解释（英文）。

对自然语言来说，许多词语重复出现的频率很高。最近的一些研究更是根据语法的特点，将文本变为一个规则生成树。这里还有一篇论文（PDF），对这方面的研究做了解释。