如何将特定格式字符串压缩为固定长度可逆编码的技术咨询

可行性分析：6位压缩不可行 #

首先明确核心限制：

• 原字符串字符集共37种（26小写字母+10数字+1下划线），3-16位总共有约9×10²⁴种可能（其中16位字符串占绝大多数）。
• 即使使用256种可打印ASCII字符，6位最多能表示256⁶≈2.8×10¹⁴种组合，远小于原字符串的总可能数，因此6位压缩完全不可能实现。

可行方案：8位固定长度压缩 #

若将压缩后长度调整为8位，只需选择足够大的可打印UTF-8字符集（如1400种以上），即可覆盖所有原字符串的可能（1400⁸≈1.5×10²⁵，大于9×10²⁴）。

实现步骤 #

1. 原字符串与整数ID的双向映射

将每个原字符串转换为唯一的全局整数ID，确保一一对应：

• 字符转数值：小写a-z对应0-25，数字0-9对应26-35，下划线对应36。
• 计算全局ID：
  • 先将长度为n的字符串视为37进制数，转换为十进制数值。
  • 加上所有长度小于n的字符串总数（offset），得到唯一全局ID。例如，长度3的字符串ID从0开始，长度4的ID从37³开始，以此类推。

2. 压缩字符集定义

选择包含以下类别的可打印UTF-8字符，凑够1400种以上：

• 大小写英文字母、数字、下划线
• 常用括号：()[]{}()
• 常见符号：!@#$%^&*+-=|\\<>?/~"';:,.`
• 通用Unicode符号：∑∏√∞≠≤≥→←↑↓↔∼≈∆∇∈∉⊂⊃⊄⊅∩∪∧∨¬∵∴∀∃ℕℤℚℝℂ

3. 压缩函数逻辑

1. 验证输入字符串符合规则（3-16位、合法字符）。
2. 将输入字符串转换为全局整数ID。
3. 将全局ID转换为压缩字符集对应的M进制数（M为字符集大小）。
4. 补前导字符至8位，得到固定长度的压缩字符串。

4. 解压函数逻辑

1. 验证压缩字符串长度为8位，且所有字符属于压缩字符集。
2. 将压缩字符串转换回全局整数ID。
3. 根据ID所在区间判断原字符串长度，减去对应offset得到37进制数值。
4. 将37进制数值转换回原字符串。

伪代码示例 #

# 原字符与数值映射
char_to_val = {c:i for i,c in enumerate('abcdefghijklmnopqrstuvwxyz0123456789_')}
val_to_char = {v:k for k,v in char_to_val.items()}

# 预计算37的幂次与offset
pow37 = [1]*17
for n in range(1,17):
    pow37[n] = pow37[n-1] *37

offset = [0]*17
for n in range(4,17):
    offset[n] = offset[n-1] + pow37[n-1]

# 压缩字符集（示例，需扩展至1400+种）
compress_chars = list('abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789_()[]{}!@#$%^&*+-=|\\<>?/~`"';:,.')
compress_chars.extend(['∑','∏','√','∞','≠','≤','≥','→','←','↑','↓'])
# 去重并确保顺序固定
compress_chars = sorted(list(set(compress_chars)))
M = len(compress_chars)
comp_char_to_val = {c:i for i,c in enumerate(compress_chars)}
comp_val_to_char = {i:c for i,c in enumerate(compress_chars)}

def compress(s):
    if not (3<=len(s)<=16) or any(c not in char_to_val for c in s):
        raise ValueError("无效输入")
    n = len(s)
    num = 0
    for c in s:
        num = num *37 + char_to_val[c]
    global_id = offset[n] + num
    # 转M进制
    compressed = []
    if global_id ==0:
        compressed.append(comp_val_to_char[0])
    else:
        while global_id >0:
            compressed.append(comp_val_to_char[global_id % M])
            global_id = global_id // M
    compressed = compressed[::-1]
    # 补至8位
    while len(compressed) <8:
        compressed.insert(0, compress_chars[0])
    return ''.join(compressed)

def decompress(compressed):
    if len(compressed)!=8:
        raise ValueError("无效压缩字符串")
    global_id =0
    for c in compressed:
        if c not in comp_char_to_val:
            raise ValueError("无效字符")
        global_id = global_id * M + comp_char_to_val[c]
    # 确定原字符串长度
    n = 3
    while n<=16 and global_id >= offset[n] + pow37[n]:
        n +=1
    if n>16:
        raise ValueError("无效压缩字符串")
    num = global_id - offset[n]
    # 转37进制
    s = []
    if num ==0:
        s.append(val_to_char[0])
    else:
        while num >0:
            s.append(val_to_char[num %37])
            num = num //37
    s = s[::-1]
    while len(s) <n:
        s.insert(0, val_to_char[0])
    return ''.join(s)

注意事项 #

• 压缩字符集需确保在目标环境中可正常存储、传输，避免使用系统限制的特殊字符。
• 字符集顺序需固定，否则解压时会出现映射错误。
• 若选择7位压缩，需要更大的字符集（约4000种），但可打印UTF-8字符足够覆盖。

内容的提问来源于stack exchange，提问作者user22150393