rscompress

Rust 编写的压缩库，专注于科学数据。

免责声明

这是在我作为博士生期间开发的几个压缩算法的重写和合并。

• https://github.com/ucyo/huffman
• https://github.com/ucyo/pzip-cli
• https://github.com/ucyo/pzip-bwt
• https://github.com/ucyo/pzip-redux
• https://github.com/ucyo/pzip-huffman
• https://github.com/ucyo/pzip
• https://github.com/ucyo/rust-compress
• https://github.com/ucyo/adaptive-lossy-compression
• https://github.com/ucyo/information-spaces
• https://github.com/ucyo/cframework
• https://github.com/ucyo/xor-and-residual-calculation
• https://github.com/ucyo/climate-data-analysis

论文可以从 https://doi.org/10.5445/IR/1000105055 下载

架构

该库分为一个基本库和四个支持库。基本库协调支持库。所有压缩算法都遵循相同的基本结构

1. 使用变换消除数据的相关性
2. 如果需要损失性压缩，则对数据进行近似
3. 对数据进行编码

此外，检查每个步骤是否按预期执行。

                   +----------------+      lossless      +----------+
                   |                |                    |          |
Start   +------>   | Transformation |   +------------>   |  Coding  |   +------>   End
                   |                |                    |          |
                   +----------------+                    +----------+

                           +                                   ^
                           |                                   |
                           |  lossy                            |
                           |                                   |
                           v                                   |
                                                               |
                   +---------------+                           |
                   |               |                           |
                   | Approximation |  +------------------------+
                   |               |
                   +---------------+

此库将遵循相同的原理。

变换

变换是使用不同字母表表示相同信息的算法。好的变换算法可以消除数据中的冗余信息。数学函数可以被视为一系列数据的变换。以下序列 1 1 2 3 5 8 13 21 .. 可以表示为 f(x) = f(x-1) + f(x-2)。我们将字母表 A（整数）表示的信息映射到字母表 B（字母和整数），后者更紧凑。需要注意的是，所有变换都必须有两个属性

• 将变换算法应用于数据，不会丢失信息。
• 所有变换算法都是可逆的，这意味着可以从新的字母表中重建原始表示。

近似

近似是牺牲信息以获得更好压缩的算法。给定一个阈值 theta（这可以是绝对值或相对值），算法将数据从字母表A映射到B，信息损失在预期的阈值内。一个近似的例子是小学中已知的 ~= 运算符，例如 1/3 ~= 0.3。近似算法具有以下特性

• 将近似算法应用于数据会导致信息丢失。
• 近似算法是不可逆的。
• 信息丢失保证在阈值 theta 内。

编码

编码是实际压缩发生的算法。信息以尽可能紧凑的方式保存在磁盘上。例如 Huffman 或 算术 编码。

校验和

校验和是检查数据完整性的算法，例如 Adler-32。