在处理给定的数据集时，如何为zlib'setDictionary'找到一个好的/最优的字典？

John Reiser 在 comp.compression 上解释道：

对于字典：制作短子字符串的直方图，按收益排序（出现次数乘以压缩时保存的位数），并将最高收益子字符串放入字典中。例如，如果 k 是可以压缩的最短子字符串的长度（通常为 3==k 或 2==k），则利用子字符串将这些子字符串放入字典中是有一些艺术的， 重叠，靠近高地址端的短字符串等。

Linux 内核使用类似的技术来压缩用于打印子例程调用堆栈的回溯的符号名称。请参阅文件脚本/kallsyms.c。例如，https://code.woboq.org/linux/linux/scripts/kallsyms.c.html

zlib手册建议将最常见的内容放在字典的末尾。

字典应由字符串（字节序列）组成，这些字符串（字节序列）可能会在稍后要压缩的数据中遇到，最常用的字符串最好放在字典的末尾。当要压缩的数据很短并且可以很好地准确预测时，使用字典最有用;然后，数据可以比默认的空字典更好地压缩。

这是因为 LZ77 具有滑动窗口算法，因此与前几个子字符串相比，在数据流上可以进一步访问后面的子字符串。

我会尝试使用具有良好字符串支持的更高级别语言生成字典。一个粗略的 JavaScript 示例：

var str = "The dictionary should consist of strings (byte sequences) that"
    + " are likely to be encountered later in the data to be compressed,"
    + " with the most commonly used strings preferably put towards the "
    + "end of the dictionary. Using a dictionary is most useful when the"
    + " data to be compressed is short and can be predicted with good"
    + " accuracy; the data can then be compressed better than with the "
    + "default empty dictionary.";
// Extract words, remove punctuation (extra: replace(/\s/g, " "))
var words = str.replace(/[,\;.:\(\)]/g, "").split(" ").sort();
var  wcnt = [], w = "", cnt = 0; // pairs, current word, current word count
for (var i = 0, cnt = 0, w = ""; i < words.length; i++) {
    if (words[i] === w) {
        cnt++; // another match
    } else {
        if (w !== "")
            wcnt.push([cnt, w]); // Push a pair (count, word)
        cnt = 1; // Start counting for this word
        w = words[i]; // Start counting again
    }
}
if (w !== "")
    wcnt.push([cnt, w]); // Push last word
wcnt.sort(); // Greater matches at the end
for (var i in wcnt)
    wcnt[i] = wcnt[i][1]; // Just take the words
var dict = wcnt.join("").slice(-70); // Join the words, take last 70 chars

然后 dict 是一个由 70 个字符组成的字符串，其中包含：

rdsusedusefulwhencanismostofstringscompresseddatatowithdictionarybethe

你可以在这里尝试复制粘贴运行（添加：“print（dict）”）

这只是整个单词，而不是子字符串。此外，还有一些方法可以重叠公共子字符串以节省字典上的空间。