数据编码与压缩

jiezi

6 年前

这个就太多了。。略

JSON 演化 mmessagePack
不流行，因为需要在编码数据中包含对象名称. 只是删除空白和标点的感觉

thrift BinaryProtocal 字段名替换为序号

{
    "userName": "Martin",
    "favoriteNumber": 1337,
    "interests": ["daydreaming", "hacking"]
}

pb(thrift 的 compactProtocal 和这个一样)

field 和 type 在单个字节。数据的优化数据最高位标识是否还有后续，这个 1337 有错误，是下面的
Avro
数据变更兼容：
thrift 和 protocal 可以换换名字。但是不能换编号，可以增加编号，旧的编号删了也不能再用，后加的向前兼容不能设为必选。
模式和数据编码分别传送，一个传一个模式，大批数据，无编号，读者模式与作者模式匹配，读者解析作者模式

只能添加或删除有默认值的字段
以上数字的转变全是基于 VLQ 可变长二进制数字编码 的变体。最低位加 0 表示整数，1 表示负数，然后 7 位一个分割。从最后开始，每个后面有第一位是 1，否则是 0.

压缩算法对比

![clipboard.png](/img/bVbr5Th)

![clipboard.png](/img/bVbr5TX)

https://catchchallenger.first-world.info/wiki/Quick_Benchmark:_Gzip_vs_Bzip2_vs_LZMA_vs_XZ_vs_LZ4_vs_LZO
https://www.percona.com/blog/2016/04/13/evaluating-database-compression-methods-update/

snappy/LZ77/LZSS
DC 动态词典编码：用它在词典中的位置号码代替。静态需要实现知道词典，讲下动态的
前向缓冲区（数据流将要处理的所有字符）的开始字符串与滑动窗口中的字符串进行最长匹配，无移动窗口，若找到 < 匹配字符串在滑动窗口的位置，长度，移除前置缓冲区中匹配部分移除后续第一个字符 >,LZSS 增加匹配长读限制

如何快速最长匹配字符串：简单的将窗口中所有字符顺序组合存入 hash，也可以存固定长度，比如 2，匹配多个后再继续向后比较这多个。
snappy 将整个数据切割为 32k 一个大小的块，块只见那无关联，2 个字节就可表示匹配字符串的相对位置，匹配长度至少为 4，hash 字符串长度也固定为 4. 输出字符串的压缩形式为编码方案，匹配字符串起始位置差值，匹配字符串长度
EC 编码：N 个数据块和校验，可以任意丢 k 个相互恢复
因为我们都是多副本，
N 个 Data 块，生成 K 个 Parity 块，N+ K 中可任意丢 K 个
可靠性相同时比多副本冗余度低
只有一份数据可读，修复较复杂
提高可靠性：增加 K，增加 N 和 K，提高修复速度
https://blog.csdn.net/shelldo…

数据编码与压缩

内存数据结构

IO:json/xml(无类型，unicode 支持不好等), 二进制编码

压缩