我们几乎每天都会和压缩文件打交道：网上下载的软件、资料，大多是 ZIP、RAR 格式的压缩包；要给别人传大量的文件、照片，会先把它们打包压缩，不仅体积变小了，传输也更方便；甚至我们日常用的 JPG 图片、MP3 音乐、MP4 视频，本质上也都是压缩后的文件。很多人都会好奇：为什么文件压缩之后，体积能变小这么多？那些被压缩掉的空间，到底是什么？我们常说的无损压缩，真的不会丢失任何数据吗？解压之后，文件会和原来的一模一样吗？
很多人对文件压缩的认知，觉得就像把衣服塞进真空袋，抽掉空气，体积变小了，拿出来之后，衣服还是原来的样子，没有任何变化。但事实上，文件压缩的原理，远比真空压缩要复杂得多，它的核心不是 “抽掉空气”，而是通过一套极其巧妙的编码算法，去掉文件里的冗余数据，用更短的编码，来表示重复的内容，从而在不丢失数据的前提下，缩小文件的体积。
想要搞懂文件压缩的原理，我们先要明白，电脑里的所有文件，本质上都是一串由 0 和 1 组成的二进制数据，无论是文档、图片、视频，还是软件、安装包，最终都会被转换成无数个 0 和 1，存储在硬盘里。而文件压缩的核心，就是对这些二进制数据，进行重新编码，用更短的编码，替代原来更长的、重复的编码，从而减少文件占用的存储空间。
我们先来说最基础的压缩原理：去重编码，也就是我们常说的行程长度编码，这是最简单、最基础的压缩算法。举个最简单的例子，一个文本文件里，有这样一串字符：“AAAAAABBBBBCCCCCCDDDD”，也就是 6 个 A、5 个 B、6 个 C、4 个 D。如果不压缩，我们需要存储 21 个字符，每个字符占 1 个字节，一共需要 21 个字节的存储空间。
而用行程长度编码，我们可以把这串字符，重新编码成 “6A5B6C4D”，只需要 8 个字符，就能完整表示原来的内容，存储空间直接缩小了一半还多。解压的时候，只需要按照编码规则，把 “6A” 还原成 6 个 A，“5B” 还原成 5 个 B，就能得到和原来完全一模一样的文件，没有任何数据丢失，这就是最基础的无损压缩。
当然，这只是最简单的例子，实际的压缩算法，远比这个复杂得多，其中最经典、应用最广泛的，就是 LZ77/78 算法和哈夫曼编码，我们日常用的 ZIP、RAR 压缩格式，核心就是这两种算法的结合。
LZ77 算法的核心逻辑，是 “滑动窗口匹配”，简单来说，就是算法会在文件里，寻找重复出现的字符串，然后用 “距离 + 长度” 的编码，来替代重复的内容。比如，一段文本里，前面已经出现过 “科普中国” 这四个字，后面再次出现的时候，算法不会再重复存储这四个字的编码，而是会记录下 “这四个字，在前面多少个字符的位置出现过，长度是 4”，用两个数字，就能替代原来四个字符的存储空间。
文件里的重复内容越多，这种算法的压缩效果就越好。比如一个 Word 文档，里面有大量重复的词语、句式；一个安装包，里面有大量重复的代码和资源文件，用这种算法，能把文件体积缩小好几倍。而如果文件里的内容都是随机的、没有重复的，那压缩的效果就会很差，甚至可能压缩之后，文件体积反而变大了，因为编码本身也需要占用存储空间。
而哈夫曼编码，是另一种核心的压缩算法，它的核心原理，是 “用最短的编码，表示出现频率最高的内容”。举个例子，一个文本文件里，“的” 这个字出现的频率最高，占了所有字符的 20%，“是” 字出现的频率次之，占了 10%，而 “饕”“餮” 这种生僻字，出现的频率极低，只占了 0.01%。
在不压缩的情况下，每个汉字都占用 2 个字节，也就是 16 个二进制位，不管出现的频率高低，占用的空间都是一样的。而哈夫曼编码，会给出现频率最高的 “的” 字，分配一个最短的编码，比如 2 个二进制位；给出现频率次之的 “是” 字，分配 3 个二进制位；给出现频率极低的生僻字，分配较长的编码。这样一来，整个文件里，出现频率最高的内容，占用的存储空间最少，整体的文件体积，就会大幅缩小。
解压的时候，算法会按照对应的编码表，把短编码还原成原来的字符，最终得到的文件，和压缩前的原文件，每一个字符、每一个二进制位，都是完全一模一样的，没有任何数据丢失，这就是我们常说的无损压缩。我们日常用的 ZIP、RAR、7Z 格式，还有文档用的 PDF 格式、图片用的 PNG 格式，都属于无损压缩，无论压缩多少次，解压之后的文件，都和原文件完全一致，不会有任何失真。
讲到这里，很多人都会问：既然无损压缩能缩小文件体积，还不会丢失数据，那我们能不能把一个文件，反复压缩，让它变得越来越小，甚至压缩到 1KB？答案是绝对不能。因为无损压缩，只能去掉文件里的冗余数据，也就是重复的内容，当文件里的冗余数据被全部去掉之后，就再也无法压缩了。如果强行再次压缩，不仅不会让文件变小，反而会因为新增的编码信息，让文件体积变大。就像你把衣服放进真空袋，抽一次真空，体积就已经缩到最小了，再抽多少次，也不会变得更小。
除了无损压缩，还有一种我们日常接触更多的压缩方式，就是有损压缩，我们常听的 MP3 音乐、看的 MP4 视频、拍的 JPG 图片，都属于有损压缩。和无损压缩不同，有损压缩会直接删掉文件里，人眼、人耳无法感知的冗余数据，从而大幅缩小文件的体积，当然，这个过程会丢失一部分原始数据，只是我们的感官无法察觉而已。
比如，一张 RAW 格式的原始照片，体积能达到几十 MB，它完整保留了相机传感器捕捉到的所有光影、色彩细节。而我们把它转换成 JPG 格式的时候，算法会删掉人眼无法分辨的色彩细节、光影渐变，把人眼敏感的亮度信息保留下来，把人眼不敏感的色彩信息压缩，最终生成的 JPG 图片，体积只有几 MB，人眼看起来和原图几乎没有区别，但实际上已经丢失了大量的原始数据，压缩比例越高，丢失的细节就越多，放大之后就会看到模糊、色块、噪点。
同样的，MP3 音乐格式，会删掉人耳听不到的高频和低频声音，把我们能听到的核心声音保留下来，从而把几十 MB 的 WAV 无损音乐，压缩到几 MB 的 MP3 文件，普通人用普通的耳机，几乎听不出区别；MP4 视频格式，会删掉人眼无法察觉的画面细节，比如快速运动的画面里，相邻两帧之间重复的内容，从而把几十 GB 的原始视频，压缩到几百 MB，我们看起来依然清晰流畅。
有损压缩的优势，是压缩比例极高，能把文件体积缩小几十倍甚至上百倍，非常适合用于图片、音频、视频这些多媒体文件，因为这些文件里，有大量人眼、人耳无法感知的冗余数据，删掉之后，不会影响我们的观看和收听体验，却能大幅缩小文件体积，方便存储和传输。当然，如果压缩比例过高，丢失的数据太多，我们就会感受到明显的失真：图片变得模糊、音乐出现杂音、视频出现马赛克，这就是过度有损压缩带来的问题。
了解了无损压缩和有损压缩的区别，我们就能知道，什么时候该用哪种压缩方式。如果我们要压缩的是文档、安装包、源代码、工程文件这些，必须保证数据完整、不能有任何丢失的文件，就必须用 ZIP、7Z 这些无损压缩格式，确保解压之后的文件和原文件完全一致；如果我们要压缩的是图片、音乐、视频这些多媒体文件，想要在观感变化不大的前提下，大幅缩小文件体积，就可以用 JPG、MP3、MP4 这些有损压缩格式，平衡画质和文件体积。
从 1951 年第一个压缩算法诞生，到如今的各种高效压缩格式，几十年的时间里，压缩技术一直在不断进步，它用最巧妙的编码算法，让我们能用更小的存储空间，存放更多的文件，用更少的流量，传输更多的内容。我们日常的每一次文件传输、每一次照片分享、每一次视频播放，背后都离不开压缩技术的支撑。了解了文件压缩的原理，我们就能更好地选择合适的压缩格式和算法，既能缩小文件体积，又能保护好我们的文件数据，让存储和传输变得更高效。
