如何在C++中实现自定义二进制读写以压缩有限字符向量数据？

一、自定义编解码的实现 #

完全可以实现你需求的自定义二进制编解码逻辑，核心是给每个目标字符分配固定长度的二进制位（这里是2位），再将二进制位拼接成字节流存储。

编码逻辑 #

先建立字符与2位二进制的映射：

• A → 00（十进制0）
• B → 01（十进制1）
• C → 10（十进制2）
• D → 11（十进制3）

以"BADC"为例，依次转换后得到二进制串01 00 11 10，刚好8位（1字节），对应十六进制0x4E（ASCII字符'N'）。

用Python实现的编码函数示例：

def custom_encode(input_str):
    char_to_bit = {'A': 0, 'B': 1, 'C': 2, 'D': 3}
    result_byte = 0
    # 逐个字符处理，按左移对应位数拼接
    for idx, char in enumerate(input_str):
        result_byte |= char_to_bit[char] << (6 - 2 * idx)
    return bytes([result_byte])

调用custom_encode("BADC")会返回b'N'，即符合要求的二进制编码结果。

解码逻辑 #

解码时反向操作，将字节拆分为2位一组，映射回原字符：

def custom_decode(input_byte):
    bit_to_char = {0: 'A', 1: 'B', 2: 'C', 3: 'D'}
    byte_value = input_byte[0]
    result_chars = []
    # 从高位到低位拆分2位一组
    for idx in range(4):
        bit_segment = (byte_value >> (6 - 2 * idx)) & 0b11
        result_chars.append(bit_to_char[bit_segment])
    return ''.join(result_chars)

调用custom_decode(b'N')会还原得到"BADC"。

二、编码后的文件大小 #

是的，仅存储编码后的字节时（不含文件名、文件头、校验信息等额外内容），"BADC"这类4个字符的内容会占用1字节。

如果字符总数不是4的倍数，需要做补位处理（比如在二进制串末尾补0凑满8位），同时解码时要记录原始字符长度，避免把补位的0误判为有效字符。比如3个字符会生成6位二进制，补2位0后占1字节，解码时只取前3个字符对应的二进制段即可。

三、UTF编码效果差的原因 #

UTF-8、UTF-16等通用编码是为兼容全字符集设计的，对于ASCII范围内的字符，UTF-8每个字符至少占1字节，4个字符就需要4字节；UTF-16则每个字符占2字节，体积更大。而你的场景仅涉及4种字符，自定义编码能将每个字符压缩到2位，4个字符刚好1字节，压缩效率远高于通用编码。

内容的提问来源于stack exchange，提问作者NaYu