如何压缩仅含有限字符集的文本文件以减少磁盘占用？

首先，你的文件使用的字符集非常有限（仅16种不同字符），这意味着不管用通用压缩工具还是简单自定义编码，都能获得不错的空间节省。下面是几个快速简便的方案，按实现复杂度从低到高排序：

1. 通用压缩工具（最简便，无需自定义代码） #

这是最快上手的方案，几乎不需要额外学习成本，而且压缩/解压速度快：

• gzip：大多数类Unix系统（Linux/macOS）自带，Windows也可以通过Git Bash或PowerShell使用。
  压缩命令：gzip your_input_file.txt，会生成your_input_file.txt.gz，原文件会被替换（如果想保留原文件，用gzip -c your_input_file.txt > your_output_file.gz）。
  解压命令：gzip -d your_input_file.txt.gz。
  优点：系统自带、速度极快，针对文本压缩率通常能到50%以上。
• 7-Zip：跨平台工具，压缩率比gzip更高，支持多种格式。
  压缩命令（命令行）：7z a your_compressed_file.7z your_input_file.txt。
  解压命令：7z x your_compressed_file.7z。
  优点：压缩率更优，GUI版本操作简单（右键选择压缩即可）。

2. 自定义4位编码（空间节省最大化，少量代码） #

因为你的字符集只有16种，刚好可以用4位二进制来表示每个字符（2^4=16），这样每个字符从原来的1字节（ASCII）变成0.5字节，理论上能把文件大小减半（加上少量头部信息的话接近减半）。

举个Python的简单实现示例：

# 定义字符到4位二进制的映射
char_map = {
    '0': '0000', '1': '0001', '2': '0010', '3': '0011',
    '4': '0100', '5': '0101', '6': '0110', '7': '0111',
    '8': '1000', '9': '1001', ',': '1010', '|': '1011',
    ':': '1100', ';': '1101', '*': '1110', '!': '1111'
}

# 编码函数
def encode_file(input_path, output_path):
    with open(input_path, 'r') as f_in, open(output_path, 'wb') as f_out:
        binary_str = ''
        for char in f_in.read():
            binary_str += char_map[char]
            # 每8位（2个字符）转成一个字节写入
            if len(binary_str) >= 8:
                byte = int(binary_str[:8], 2).to_bytes(1, byteorder='big')
                f_out.write(byte)
                binary_str = binary_str[8:]
        # 处理剩余不足8位的部分（补0，解压时注意处理）
        if binary_str:
            binary_str += '0' * (8 - len(binary_str))
            byte = int(binary_str, 2).to_bytes(1, byteorder='big')
            f_out.write(byte)

# 解码函数
def decode_file(input_path, output_path):
    reverse_map = {v: k for k, v in char_map.items()}
    with open(input_path, 'rb') as f_in, open(output_path, 'w') as f_out:
        binary_str = ''
        while byte := f_in.read(1):
            binary_str += bin(ord(byte))[2:].zfill(8)
            # 每4位转成一个字符
            while len(binary_str) >= 4:
                char = reverse_map[binary_str[:4]]
                f_out.write(char)
                binary_str = binary_str[4:]

# 使用示例
encode_file('your_input.txt', 'encoded.bin')
decode_file('encoded.bin', 'decoded.txt')

优点：空间利用率极高，几乎是理论最优；缺点：需要简单的脚本处理，不能直接用文本编辑器打开编码后的文件。

3. 其他轻量方案 #

如果需要保留文本格式（不能是二进制文件），可以考虑使用Base16编码的变种，但其实Base16是把字节转成16进制，反而会增大文件，所以不推荐。还是通用压缩工具更适合这种场景。

总结：如果追求极致简便，优先用gzip或7-Zip；如果追求最大空间节省，且能接受二进制文件，用自定义4位编码。

内容的提问来源于stack exchange，提问作者Rahul Iyer