如何在Java中压缩String？

Question

我使用GZIPOutputStream或ZIPOutputStream来压缩String（我的string.length()小于20），但压缩结果比原始字符串长。

在某些网站上，我发现有些朋友说这是因为我原来的字符串太短， GZIPOutputStream可以用来压缩更长的字符串。

那么，有人可以给我一个压缩字符串的帮助吗？

我的功能如下：

String compress(String original) throws Exception {

}

更新：

import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.util.zip.GZIPOutputStream;
import java.util.zip.*;


//ZipUtil 
public class ZipUtil {
    public static String compress(String str) {
        if (str == null || str.length() == 0) {
            return str;
        }

        ByteArrayOutputStream out = new ByteArrayOutputStream();
        GZIPOutputStream gzip = new GZIPOutputStream(out);
        gzip.write(str.getBytes());
        gzip.close();
        return out.toString("ISO-8859-1");
    }

    public static void main(String[] args) throws IOException {
        String string = "admin";
        System.out.println("after compress:");
        System.out.println(ZipUtil.compress(string));
    }
}

结果是：

Answer 1

压缩算法几乎总是具有某种形式的空间开销，这意味着它们仅在压缩数据时有效，该数据足够大以至于开销小于节省的空间量。

压缩一个只有20个字符长的字符串并不容易，但并不总是可行。 如果你有重复，霍夫曼编码或简单的游程编码可能能够压缩，但可能不是很多。

Answer 2

创建String时，可以将其视为char的列表，这意味着对于String中的每个字符，您需要支持char的所有可能值。 来自太阳博士

char ：char数据类型是一个16位Unicode字符。 它的最小值为'\\ u0000'（或0），最大值为'\\ uffff'（或65,535（含））。

如果你想要支持一组简化的字符，你可以编写一个简单的压缩算法，类似于binary-> decimal-> hex radix converstion。 您从65,536（或目标系统支持的多个字符）到26（字母）/ 36（字母数字）等。

我曾经多次使用过这个技巧，例如将时间戳编码为文本（目标36 +，源10） - 只需确保你有足够的单元测试！

Answer 3

如果密码或多或少“随机”，那么你运气不好，你将无法大幅减少尺寸。

但是：为什么需要压缩密码？ 也许你需要的不是压缩，而是某种哈希值？ 如果您只需要检查名称是否与给定密码匹配，则不需要保存密码，但可以保存密码的哈希值。 要检查键入的密码是否与给定名称匹配，您可以采用相同的方式构建哈希值，并将其与保存的哈希值进行比较。 由于散列（Object.hashCode（））是一个int，您将能够以80个字节存储所有20个密码哈希值。

Answer 4

你的朋友是对的。 gzip和ZIP都基于DEFLATE 。 这是一种通用算法，不适用于编码小字符串。

如果需要，可能的解决方案是自定义编码和解码HashMap<String, String> 。 这可以让您进行简单的一对一映射：

HashMap<String, String> toCompressed, toUncompressed;

String compressed = toCompressed.get(uncompressed);
// ...
String uncompressed = toUncompressed.get(compressed);

显然，这需要设置，并且仅适用于少量字符串。

Answer 5

霍夫曼编码可能有所帮助，但前提是你的小字符串中有很多频繁的字符

Answer 6

ZIP算法是LZW和Huffman Trees的组合。 您可以单独使用这些算法之一。

压缩基于2个因素：

• 原始链中的子串的重复（LZW）：如果有很多重复，压缩将是有效的。 该算法具有良好的压缩长文本的性能，因为经常重复单词
• 压缩链中每个字符的数量（Huffman）：字符之间的重新分配越多，压缩就越有效

在您的情况下，您应该只尝试LZW算法。 基本上使用，链可以在不添加元信息的情况下进行压缩：对于短字符串压缩，它可能更好。

对于霍夫曼算法，编码树必须与压缩文本一起发送。 因此，对于小文本，由于树，结果可能比原始文本大。

Answer 7

霍夫曼编码是一个明智的选择。 Gzip和朋友这样做，但他们的工作方式是为输入构建一个Huffman树，发送它，然后发送用树编码的数据。 如果树相对于数据较大，则可能没有节省大小。

但是，可以避免发送树：相反，您安排发送方和接收方已经拥有树。 它不能专门为每个字符串构建，但您可以使用一个全局树来编码所有字符串。 如果你使用与输入字符串（英语或其他）相同的语言构建它，你仍然应该获得良好的压缩，尽管不如每个输入的自定义树一样好。

Answer 8

如果您知道您的字符串主要是ASCII，则可以将它们转换为UTF-8。

byte[] bytes = string.getBytes("UTF-8");

这可能会使内存大小减少约50％。 但是，您将获得一个字节数组而不是字符串。 如果你把它写到文件中，那应该不是问题。

要转换回字符串：

private final Charset UTF8_CHARSET = Charset.forName("UTF-8");
...
String s = new String(bytes, UTF8_CHARSET);

Answer 9

看看Huffman算法。

https://codereview.stackexchange.com/questions/44473/huffman-code-implementation

这个想法是每个字符都被比特序列替换，取决于它们在文本中的频率（频率越高，序列越小）。

您可以阅读整个文本并构建代码表，例如：

符号代码

一个0

10

e 110

m 111

该算法基于文本输入构建符号树。 你拥有的角色种类越多，压缩效果就越差。

但根据你的文字，它可能是有效的。

Answer 10

您没有看到您的String发生任何压缩，因为您至少需要几百个字节才能使用GZIPOutputStream或ZIPOutputStream进行实际压缩。 你的字符串太小了。（我不明白为什么你需要压缩）

查看本文的结论：

本文还介绍了如何动态压缩和解压缩数据，以减少网络流量并提高客户端/服务器应用程序的性能。 但是，只有当被压缩的对象超过几百个字节时，动态压缩数据才能提高客户端/服务器应用程序的性能。 例如，如果被压缩和传输的对象是简单的String对象，则无法观察到性能的提高。

Answer 11

Java 9中提供了紧凑的字符串增强功能https://openjdk.java.net/jeps/254

java.lang.String现在有：

private final byte [] value;