你是否好奇过：一个几百兆的游戏安装包，为什么下载时只需要几十兆？一张几MB的照片发到微信上怎么变成了几百KB？这不是魔法，是数据压缩在背后起作用。本文从信息论的角度，拆解文件压缩的核心原理。
一、压缩的本质：去掉冗余
任何数据文件——文本、图片、视频——都包含大量冗余。冗余就是重复的、可预测的信息。压缩算法的核心思想很简单：找到一种更短的表达方式，来传递同样的内容。
想象一串字符「AAAAAAAAABBBBBBBB」，直接存需要17个字符。但如果写成「9A8B」，4个字符就够了。这就是最朴素的游程编码——把连续重复的内容压缩成「次数+内容」。
二、霍夫曼编码：给常用字符发短票
现实文件很少有这么整齐的重复。中文文本里，「的」字出现的频率远高于「之」字。霍夫曼编码的巧妙之处在于：出现频率越高的符号，用越短的二进制代码表示；出现频率越低，用稍长的代码。
这就像火车站售票——给坐得最多的乘客发最短的票，而不是全发一样长。平均下来，每个字符占的存储空间就变小了。霍夫曼编码1952年被提出，至今仍是许多压缩工具的基石。
三、LZ77：用指针代替重复
再来一个更高级的技巧。你注意到没有，一篇文章里「压缩」这个词可能出现很多次？LZ77算法的做法是：扫描文件时发现一段内容在前面出现过，就不重复写入，而是写一个指针——「去前面第X个位置，复制Y个字符过来」。
这种字典式压缩对自然语言效果出奇的好。你下载的ZIP文件，大多数同时使用了LZ77和霍夫曼编码——先找出重复模式，再对结果做频率编码。
四、有损与无损：质量的取舍
压缩分为两类。无损压缩（ZIP、PNG、FLAC）保证解压后和原文件完全一致，一个字节都不差。有损压缩（JPEG、MP3、视频编码）则主动丢弃人眼或人耳不敏感的信息，换取更高的压缩比。
以JPEG为例，它利用人眼对亮度变化比对颜色变化更敏感这一生理特性，把颜色细节大量丢弃——你的眼睛根本察觉不到。一张10MB的照片压缩成1MB，去掉的9MB大多是「人眼看不出的信息」。
五、为什么压缩不能无限继续
这里存在一个理论边界：信息熵，由克劳德·香农在1948年提出。熵衡量了一段信息中真正「不可预测」的内容有多少。压缩无法突破这个极限——因为那意味着你在无中生有。被压缩到极限的文件，在数学上应该看起来像随机噪声。
结语
从霍夫曼编码的巧妙统计，到LZ77的滑动窗口，再到JPEG利用人类视觉缺陷的精妙取舍——文件压缩的本质不是变魔术，而是更聪明地理解数据。下次看到下载进度条时，你的计算机正在替你完成一场精密的信息减负手术。