（注：以下關(guān)于技術(shù)細(xì)節(jié)的描述是以 gzip 的公開源代碼為基礎(chǔ)的，如果需要完整的代碼，可以在 gzip 的官方網(wǎng)站 www.gzip.org下載。下面提到的每一個(gè)問題，都首先介紹最直觀簡單的解決方法，然后指出這種方法的弊端所在，最后介紹 gzip 采用的做法，這樣也許能使讀者對 gzip 看似復(fù)雜、不直觀的做法的意義有更好的理解。）
最 直觀的搜索方式是順序搜索：以待壓縮部分的第一個(gè)字節(jié)與窗口中的每一個(gè)字節(jié)依次比較，當(dāng)找到一個(gè)相等的字節(jié)時(shí)，再比較后續(xù)的字節(jié)…… 遍歷了窗口后得出最長匹配。gzip 用的是被稱作“哈希表”的方法來實(shí)現(xiàn)較高效的搜索。“哈希（hash）”是分散的意思，把待搜索的數(shù)據(jù)按照字節(jié)值分散到一個(gè)個(gè)“桶”中，搜索時(shí)再根據(jù)字節(jié) 值到相應(yīng)的“桶”中去尋找。短語式壓縮的最短匹配為 3 個(gè)字節(jié)，gzip 以 3 個(gè)字節(jié)的值作為哈希表的索引，但 3 個(gè)字節(jié)共有 2 的 24 次方種取值，需要 16M 個(gè)桶，桶里存放的是窗口中的位置值，窗口的大小為 32K，所以每個(gè)桶至少要有大于兩個(gè)字節(jié)的空間，哈希表將大于 32M，作為 90 年代開發(fā)的程序，這個(gè)要求是太大了，而且隨著窗口的移動，哈希表里的數(shù)據(jù)會不斷過時(shí)，維護(hù)這么大的表，會降低程序的效率，gzip 定義哈希表為 2 的 15 次方（32K）個(gè)桶，并設(shè)計(jì)了一個(gè)哈希函數(shù)把 16M 種取值對應(yīng)到 32K 個(gè)桶中，不同的值被對應(yīng)到相同的桶中是不可避免的，哈希函數(shù)的任務(wù)是

1.使各種取值盡可能均勻地分布到各個(gè)桶中，避免許多不同的值集中到某些桶中，而另一些是空桶，使搜索的效率降低。

2.函數(shù)的計(jì)算盡可能地簡單，因?yàn)槊看?span lang="EN-US"> “插入”和“搜尋”哈希表都要執(zhí)行哈希函數(shù)，哈希函數(shù)的復(fù)雜度直接影響程序的執(zhí)行效率，容易想到的哈希函數(shù)是取 3 個(gè)字節(jié)的左邊（或右邊）15 位二進(jìn)制值，但這樣只要左邊（或右邊）2 個(gè)字節(jié)相同，就會被放到同一個(gè)桶中，而 2 個(gè)字節(jié)相同的概率是比較高的，不符合“平均分布”的要求。

gzip 采用的算法是：A(4,5) + A(6,7,8) ^ B(1,2,3) + B(4,5) + B(6,7,8) ^ C(1,2,3) + C(4,5,6,7,8) （說明：A 指 3 個(gè)字節(jié)中的第 1 個(gè)字節(jié)，B 指第 2 個(gè)字節(jié)，C 指第 3 個(gè)字節(jié)，A(4,5) 指第一個(gè)字節(jié)的第 4,5 位二進(jìn)制碼，“^”是二進(jìn)制位的異或操作，“+”是“連接”而不是“加”，“^”優(yōu)先于“+”）這樣使 3 個(gè)字節(jié)都盡量“參與”到最后的結(jié)果中來，而且每個(gè)結(jié)果值 h 都等于 ((前1個(gè)h << 5) ^ c)取右 15 位，計(jì)算也還簡單。
哈希表的具體實(shí)現(xiàn)也值得探討,因?yàn)闊o法預(yù)先知道每一個(gè)“桶”會存放多少個(gè)元素，所以最簡單的，會想到用鏈表來實(shí)現(xiàn)：哈希表里存放著每個(gè)桶的第一個(gè) 元素，每個(gè)元素除了存放著自身的值，還存放著一個(gè)指針，指向同一個(gè)桶中的下一個(gè)元素，可以順著指針鏈來遍歷該桶中的每一個(gè)元素，插入元素時(shí)，先用哈希函數(shù) 算出該放到第幾個(gè)桶中，再把它掛到相應(yīng)鏈表的最后。

這個(gè)方案的缺點(diǎn)是頻繁地申請和釋放內(nèi)存會降低運(yùn)行速度；內(nèi)存指針的存放占據(jù)了額外的內(nèi)存開銷。

有更少內(nèi) 存開銷和更快速的方法來實(shí)現(xiàn)哈希表，并且不需要頻繁的內(nèi)存申請和釋放：gzip 在內(nèi)存中申請了兩個(gè)數(shù)組，一個(gè)叫 head[]，一個(gè)叫 pre[]，大小都為 32K，根據(jù)當(dāng)前位置 strstart 開始的 3 個(gè)字節(jié)，用哈希函數(shù)計(jì)算出在 head[] 中的位置 ins_h，然后把 head[ins_h] 中的值記入 pre[strstart]，再把當(dāng)前位置 strstart 記入 head[ins_h]。

隨著壓縮的進(jìn)行，head[]里記載著最近的可能的匹配的位置（如果有匹配的話，head[ins_h]不為 0），pre[]中的所有位置與原始數(shù)據(jù)的位置相對應(yīng)，但每一個(gè)位置保存的值是前一個(gè)最近的可能的匹配的位置。

（“可能的匹配”是指哈希函數(shù)計(jì)算出的 ins_h 相同。）順著 pre[] 中的指示找下去，直到遇到 0，可以得到所有匹配在原始數(shù)據(jù)中的位置，0 表示不再有更遠(yuǎn)的匹配。
　　接下來很自然地要觀察 gzip 具體是如何判斷哈希表中數(shù)據(jù)的過時(shí)，如何清理哈希表的，因?yàn)?span lang="EN-US"> pre[] 里只能存放 32K 個(gè)元素，所以這項(xiàng)工作是必須要做的。
　 　gzip 從原始文件中讀出兩個(gè)窗口大小的內(nèi)容（共 64K 字節(jié)）到一塊內(nèi)存中，這塊內(nèi)存也是一個(gè)數(shù)組，稱作 Window[]；申請 head[]、pre[] 并清零；strstart 置為 0。

然后 gzip 邊搜索邊插入，搜索時(shí)通過計(jì)算 ins_h，檢查 head[] 中是否有匹配，如果有匹配，判斷 strstart 減 head[] 中的位置是否大于 1 個(gè)窗口的大小，如果大于 1 個(gè)窗口的大小，就不到 pre[] 中去搜索了，因?yàn)?span lang="EN-US"> pre[] 中保存的位置更遠(yuǎn)了，如果不大于，就順著 pre[] 的指示到 Window[] 中逐個(gè)匹配位置開始，逐個(gè)字節(jié)與當(dāng)前位置的數(shù)據(jù)比較，以找出最長匹配，pre[] 中的位置也要判斷是否超出一個(gè)窗口，如遇到超出一個(gè)窗口的位置或者 0 就不再找下去，找不到匹配就輸出當(dāng)前位置的單個(gè)字節(jié)到另外的內(nèi)存（輸出方法在后文中會介紹），并把 strstart 插入哈希表，strstart 遞增，如果找到了匹配，就輸出匹配位置和匹配長度這兩個(gè)數(shù)字到另外的內(nèi)存中，并把 strstart 開始的，直到 strstart + 匹配長度 為止的所有位置都插入哈希表，strstart += 匹配長度。插入哈希表的方法為：
pre[strstart % 32K] = head[ins_h];
head[ins_h] = strstart;
可 以看出，pre[] 是循環(huán)利用的，所有的位置都在一個(gè)窗口以內(nèi)，但每一個(gè)位置保存的值不一定是一個(gè)窗口以內(nèi)的。

在搜索時(shí)，head[] 和 pre[] 中的位置值對應(yīng)到 pre[] 時(shí)也要 % 32K。當(dāng) Window[] 中的原始數(shù)據(jù)將要處理完畢時(shí)，要把 Window[] 中后一窗的數(shù)據(jù)復(fù)制到前一窗，再讀取 32K 字節(jié)的數(shù)據(jù)到后一窗，strstart -= 32K，遍歷 head[]，值小于等于 32K 的，置為 0，大于 32K 的，-= 32K；pre[] 同 head[] 一樣處理。然后同前面一樣處理新一窗的數(shù)據(jù)。
　　分析：現(xiàn)在可以 看到，雖然 3 個(gè)字節(jié)有 16M 種取值，但實(shí)際上一個(gè)窗口只有 32K 個(gè)取值需要插入哈希表，由于短語式重復(fù)的存在，實(shí)際只有 < 32K 種取值插入哈希表的 32K 個(gè)“桶”中，而且哈希函數(shù)又符合“平均分布”的要求，所以哈希表中實(shí)際存在的“沖突”一般不會多，對搜索效率的影響不大。可以預(yù)計(jì)，在“一般情況”下，每 個(gè)“桶”中存放的數(shù)據(jù)，正是我們要找的。

哈希表在各種搜索算法中，實(shí)現(xiàn)相對的比較簡單，容易理解，“平均搜索速度”最快，哈希函數(shù)的設(shè)計(jì)是搜索速度的關(guān) 鍵，只要符合“平均分布”和“計(jì)算簡單”，就常常能成為諸種搜索算法中的首選，所以哈希表是最流行的一種搜索算法。

但在某些特殊情況下，它也有缺點(diǎn)，比 如：1.當(dāng)鍵碼 k 不存在時(shí)，要求找出小于 k 的最大鍵碼或大于 k 的最小鍵碼，哈希表無法有效率地滿足這種要求。2.哈希表的“平均搜索速度”是建立在概率論的基礎(chǔ)上的，因?yàn)槭孪炔荒茴A(yù)知待搜索的數(shù)據(jù)集合，我們只能“信 賴”搜索速度的“平均值”，而不能“保證”搜索速度的“上限”。在同人類性命攸關(guān)的應(yīng)用中（如醫(yī)療或宇航領(lǐng)域），將是不合適的。

這些情況及其他一些特殊情 況下，我們必須求助其他“平均速度”較低，但能滿足相應(yīng)的特殊要求的算法。（見《計(jì)算機(jī)程序設(shè)計(jì)藝術(shù)》第3卷 排序與查找）。幸而“在窗口中搜索匹配字節(jié)串”不屬于特殊情況。

時(shí)間與壓縮率的平衡：
gzip 定義了幾種可供選擇的 level，越低的 level 壓縮時(shí)間越快但壓縮率越低，越高的 level 壓縮時(shí)間越慢但壓縮率越高。
不同的 level 對下面四個(gè)變量有不同的取值：

nice_length
max_chain
max_lazy
good_length

nice_length： 前面說過，搜索匹配時(shí)，順著 pre[] 的指示到 Window[] 中逐個(gè)匹配位置開始，找出最長匹配，但在這過程中，如果遇到一個(gè)匹配的長度達(dá)到或超過 nice_length，就不再試圖尋找更長的匹配。最低的 level 定義 nice_length 為 8，最高的 level 定義 nice_length 為 258（即一個(gè)字節(jié)能表示的最大短語匹配長度 3 + 255）。

max_chain：這個(gè)值規(guī)定了順著 pre[] 的指示往前回溯的最大次數(shù)。最低的 level 定義 max_chain 為 4，最高的 level 定義 max_chain 為 4096。當(dāng) max_chain 和 nice_length 有沖突時(shí)，以先達(dá)到的為準(zhǔn)。