Как найти хороший/оптимальный словарь для zlib 'setDictionary' при обработке данного набора данных?

Джон Рейзер объяснил сжатие :

Для словаря: составьте гистограмму коротких подстрок , отсортируйте по результату (количество вхождений, умноженное на количество битов, сохраненных при сжатии) и поместите в словарь подстроки с наибольшей отдачей. Например, если k - длина самой короткой подстроки, которая может быть сжата (обычно 3 == k или 2 == k), то сделайте гистограмму всех подстрок длин k, 1 + k, 2 + k и 3 + к. Конечно, есть искусство помещать эти подстроки в словарь, используя преимущества подстрок, перекрытия, короткие строки ближе к концу высокого адреса и т. Д.

Ядро Linux использует аналогичную технику для сжать имена символов, которые используются для печати трассировки стека вызова подпрограммы.См. Файл scripts / kallsyms.c. Например, https://code.woboq.org/linux/linux/scripts/kallsyms.c.html

В руководстве по zlib рекомендуется помещать наиболее распространенные вхождения в конец словарь.

Словарь должен состоять из строк (байтовых последовательностей), которые могут встретиться позже в данных, подлежащих сжатию, причем наиболее часто используемые строки предпочтительно помещать в конец словаря. Использование словаря наиболее полезно, когда данные для сжатия короткие и могут быть предсказаны с хорошей точностью; данные могут быть сжаты лучше, чем с пустым словарем по умолчанию.

Это связано с тем, что LZ77 имеет алгоритм скользящего окна, поэтому более поздние подстроки будут доступны дальше в вашем потоке данных, чем несколько первых.

Я бы поигрался с созданием словаря на языке более высокого уровня с хорошей поддержкой строк. Грубый пример JavaScript:

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

Тогда dict - это строка из 70 символов с:

rdsusedusefulwhencanismostofstringscompresseddatatowithdictionarybethe

Вы можете попробовать скопировать-вставить-запустить здесь (добавить: "print (dict)")

Это просто целые слова, а не подстроки. Также есть способы перекрыть общие подстроки, чтобы сэкономить место в словаре.