LZ4压缩算法分析

LZ4压缩算法是LZ算法系列中的一种，并且网上也号称是目前最快的压缩算法之一，现没时间亲测也不对LZ系列算法展开讨论只分析LZ4。LZ4算法有两种压缩方法，一种侧重于压缩速度，另外一种侧重于压缩比，现讨论的是侧重于压缩速度的方法。

现给定字符串dfabcdefghijklmnabcdkkkkkk，后面出现的“abcd”能够用前面的“abcd”经过偏移量offset与匹配长度matchLength进行代替，实际上这就是LZ4算法的主要思想。LZ4算法的最小匹配长度是4，最后5个字符按照字面量存储，也就是说当字节数<=9时是不压缩的（最后会给出解释）。

详细的LZ4编码数据涉及到的变量以下：

一、字面量值literalValue，即dfabcdefghijklmn

二、字面量值长度literalLength=16

三、匹配长度matchLength=4

四、偏移量offset=16-2=14

编码格式以下：

token_literalLength(可选)_literalValue_offset_matchLength(可选)

token占用1个字节，前4位表明字面量值长度，若是长度值>=15与255（1个字节的无符号数）进行比较，若是比255大则减去255并写入1个字节，将剩余的值如此循环比较，反之直接写入1个字节。如字面量长度值为512，token前4位等于15，  literalLength等于512-15=255+242占用两个字节。后四位表示匹配的长度，原理和前面同样，在实现的时候能够优化一下，由于默认最小匹配长度为4，因此能够将值减4。如匹配长度为512，token后4位等于15，matchLength等于512-4-15=255+238占用两个字节。literalLength与matchLength为何要加入可选，就是这个缘由，由于值小于15的时候，4个比特位已经足够表示了。offset占用2个字节，即最大值为65535。

上面的字符串压缩后的字节序列是(0b11110000)_(1)_(dfabcdefghijklmn)_(14)------(0b01100000)_(kkkkkk)

问题一：为何最小匹配值为4？

我我的的理解是由于token占1个字节、offset占2个字节，只有匹配值大于3的时候才有可能起到压缩效果。注：为何是“有可能”呢，由于压缩算法是基于几率的，好比上面的例子并无起到压缩效果，反而多占一个字节。

问题二：为何最后的5个字节按照字面量直接存储？

我我的的理解是假设给定9个字节的字符串abcdabcde，按照正常流程压缩时格式以下：(0b01000000)_(abcd)_(4)------(0b00010000)_(e),一样占了9个字节，没有起到压缩效果。注意（4）是占2个字节的。

有兴趣的能够对着lucene的LZ4源码，照着上面的例子验证一下，本人已经测试过了。