* config.sub (basic_machine): Recognize hppa64 as a valid cpu type.
[official-gcc.git] / zlib / algorithm.txt
blobcdc830b5deb8fbbcd41b653db1bb078d95854776
1 1. Compression algorithm (deflate)
3 The deflation algorithm used by gzip (also zip and zlib) is a variation of
4 LZ77 (Lempel-Ziv 1977, see reference below). It finds duplicated strings in
5 the input data.  The second occurrence of a string is replaced by a
6 pointer to the previous string, in the form of a pair (distance,
7 length).  Distances are limited to 32K bytes, and lengths are limited
8 to 258 bytes. When a string does not occur anywhere in the previous
9 32K bytes, it is emitted as a sequence of literal bytes.  (In this
10 description, `string' must be taken as an arbitrary sequence of bytes,
11 and is not restricted to printable characters.)
13 Literals or match lengths are compressed with one Huffman tree, and
14 match distances are compressed with another tree. The trees are stored
15 in a compact form at the start of each block. The blocks can have any
16 size (except that the compressed data for one block must fit in
17 available memory). A block is terminated when deflate() determines that
18 it would be useful to start another block with fresh trees. (This is
19 somewhat similar to the behavior of LZW-based _compress_.)
21 Duplicated strings are found using a hash table. All input strings of
22 length 3 are inserted in the hash table. A hash index is computed for
23 the next 3 bytes. If the hash chain for this index is not empty, all
24 strings in the chain are compared with the current input string, and
25 the longest match is selected.
27 The hash chains are searched starting with the most recent strings, to
28 favor small distances and thus take advantage of the Huffman encoding.
29 The hash chains are singly linked. There are no deletions from the
30 hash chains, the algorithm simply discards matches that are too old.
32 To avoid a worst-case situation, very long hash chains are arbitrarily
33 truncated at a certain length, determined by a runtime option (level
34 parameter of deflateInit). So deflate() does not always find the longest
35 possible match but generally finds a match which is long enough.
37 deflate() also defers the selection of matches with a lazy evaluation
38 mechanism. After a match of length N has been found, deflate() searches for
39 a longer match at the next input byte. If a longer match is found, the
40 previous match is truncated to a length of one (thus producing a single
41 literal byte) and the process of lazy evaluation begins again. Otherwise,
42 the original match is kept, and the next match search is attempted only N
43 steps later.
45 The lazy match evaluation is also subject to a runtime parameter. If
46 the current match is long enough, deflate() reduces the search for a longer
47 match, thus speeding up the whole process. If compression ratio is more
48 important than speed, deflate() attempts a complete second search even if
49 the first match is already long enough.
51 The lazy match evaluation is not performed for the fastest compression
52 modes (level parameter 1 to 3). For these fast modes, new strings
53 are inserted in the hash table only when no match was found, or
54 when the match is not too long. This degrades the compression ratio
55 but saves time since there are both fewer insertions and fewer searches.
58 2. Decompression algorithm (inflate)
60 2.1 Introduction
62 The real question is, given a Huffman tree, how to decode fast.  The most
63 important realization is that shorter codes are much more common than
64 longer codes, so pay attention to decoding the short codes fast, and let
65 the long codes take longer to decode.
67 inflate() sets up a first level table that covers some number of bits of
68 input less than the length of longest code.  It gets that many bits from the
69 stream, and looks it up in the table.  The table will tell if the next
70 code is that many bits or less and how many, and if it is, it will tell
71 the value, else it will point to the next level table for which inflate()
72 grabs more bits and tries to decode a longer code.
74 How many bits to make the first lookup is a tradeoff between the time it
75 takes to decode and the time it takes to build the table.  If building the
76 table took no time (and if you had infinite memory), then there would only
77 be a first level table to cover all the way to the longest code.  However,
78 building the table ends up taking a lot longer for more bits since short
79 codes are replicated many times in such a table.  What inflate() does is
80 simply to make the number of bits in the first table a variable, and set it
81 for the maximum speed.
83 inflate() sends new trees relatively often, so it is possibly set for a
84 smaller first level table than an application that has only one tree for
85 all the data.  For inflate, which has 286 possible codes for the
86 literal/length tree, the size of the first table is nine bits.  Also the
87 distance trees have 30 possible values, and the size of the first table is
88 six bits.  Note that for each of those cases, the table ended up one bit
89 longer than the ``average'' code length, i.e. the code length of an
90 approximately flat code which would be a little more than eight bits for
91 286 symbols and a little less than five bits for 30 symbols.  It would be
92 interesting to see if optimizing the first level table for other
93 applications gave values within a bit or two of the flat code size.
96 2.2 More details on the inflate table lookup
98 Ok, you want to know what this cleverly obfuscated inflate tree actually  
99 looks like.  You are correct that it's not a Huffman tree.  It is simply a  
100 lookup table for the first, let's say, nine bits of a Huffman symbol.  The  
101 symbol could be as short as one bit or as long as 15 bits.  If a particular  
102 symbol is shorter than nine bits, then that symbol's translation is duplicated
103 in all those entries that start with that symbol's bits.  For example, if the  
104 symbol is four bits, then it's duplicated 32 times in a nine-bit table.  If a  
105 symbol is nine bits long, it appears in the table once.
107 If the symbol is longer than nine bits, then that entry in the table points  
108 to another similar table for the remaining bits.  Again, there are duplicated  
109 entries as needed.  The idea is that most of the time the symbol will be short
110 and there will only be one table look up.  (That's whole idea behind data  
111 compression in the first place.)  For the less frequent long symbols, there  
112 will be two lookups.  If you had a compression method with really long  
113 symbols, you could have as many levels of lookups as is efficient.  For  
114 inflate, two is enough.
116 So a table entry either points to another table (in which case nine bits in  
117 the above example are gobbled), or it contains the translation for the symbol  
118 and the number of bits to gobble.  Then you start again with the next  
119 ungobbled bit.
121 You may wonder: why not just have one lookup table for how ever many bits the  
122 longest symbol is?  The reason is that if you do that, you end up spending  
123 more time filling in duplicate symbol entries than you do actually decoding.   
124 At least for deflate's output that generates new trees every several 10's of  
125 kbytes.  You can imagine that filling in a 2^15 entry table for a 15-bit code  
126 would take too long if you're only decoding several thousand symbols.  At the  
127 other extreme, you could make a new table for every bit in the code.  In fact,
128 that's essentially a Huffman tree.  But then you spend two much time  
129 traversing the tree while decoding, even for short symbols.
131 So the number of bits for the first lookup table is a trade of the time to  
132 fill out the table vs. the time spent looking at the second level and above of
133 the table.
135 Here is an example, scaled down:
137 The code being decoded, with 10 symbols, from 1 to 6 bits long:
139 A: 0
140 B: 10
141 C: 1100
142 D: 11010
143 E: 11011
144 F: 11100
145 G: 11101
146 H: 11110
147 I: 111110
148 J: 111111
150 Let's make the first table three bits long (eight entries):
152 000: A,1
153 001: A,1
154 010: A,1
155 011: A,1
156 100: B,2
157 101: B,2
158 110: -> table X (gobble 3 bits)
159 111: -> table Y (gobble 3 bits)
161 Each entry is what the bits decode to and how many bits that is, i.e. how  
162 many bits to gobble.  Or the entry points to another table, with the number of
163 bits to gobble implicit in the size of the table.
165 Table X is two bits long since the longest code starting with 110 is five bits
166 long:
168 00: C,1
169 01: C,1
170 10: D,2
171 11: E,2
173 Table Y is three bits long since the longest code starting with 111 is six  
174 bits long:
176 000: F,2
177 001: F,2
178 010: G,2
179 011: G,2
180 100: H,2
181 101: H,2
182 110: I,3
183 111: J,3
185 So what we have here are three tables with a total of 20 entries that had to  
186 be constructed.  That's compared to 64 entries for a single table.  Or  
187 compared to 16 entries for a Huffman tree (six two entry tables and one four  
188 entry table).  Assuming that the code ideally represents the probability of  
189 the symbols, it takes on the average 1.25 lookups per symbol.  That's compared
190 to one lookup for the single table, or 1.66 lookups per symbol for the  
191 Huffman tree.
193 There, I think that gives you a picture of what's going on.  For inflate, the  
194 meaning of a particular symbol is often more than just a letter.  It can be a  
195 byte (a "literal"), or it can be either a length or a distance which  
196 indicates a base value and a number of bits to fetch after the code that is  
197 added to the base value.  Or it might be the special end-of-block code.  The  
198 data structures created in inftrees.c try to encode all that information  
199 compactly in the tables.
202 Jean-loup Gailly        Mark Adler
203 jloup@gzip.org          madler@alumni.caltech.edu
206 References:
208 [LZ77] Ziv J., Lempel A., ``A Universal Algorithm for Sequential Data
209 Compression,'' IEEE Transactions on Information Theory, Vol. 23, No. 3,
210 pp. 337-343.
212 ``DEFLATE Compressed Data Format Specification'' available in
213 ftp://ds.internic.net/rfc/rfc1951.txt