4 压缩分段选型

大部分压缩算法区别主要是，对数据进行编码的算法，压缩的流程和压缩包的结构大致一样。

而在压缩过程中，你最需要了解的就是如何选择合适的压缩分段。

压缩时，给定的被压缩数据它必须有确定长度，或是有头有尾的，不能是个无限数据流，若要对流数据压缩，必须把流数据划分成多帧，一帧帧分段压缩。

主要因为压缩算法在压缩前，一般都需对被压缩数据从头到尾扫描：确定如何对数据划分和编码。

• 一般原则：
  重复次数多、占用空间大的内容，使用尽量短的编码，这样压缩率会更高。

被压缩数据长度越大，重码率更高，压缩比也越高。

比如这篇文章，可能出现几十次“压缩”，将整篇文章压缩，这词重复率几十次，但按照每个自然段来压缩，每段中这词重复率只有二三次。显然全文压缩压缩率高于分段压缩。

分段并非越大越好，超过一定长度后，再增加长度对压缩率贡献不大了。

过大的分段长度在解压时，还有更多解压浪费。

比如，一个1MB大小的压缩文件，即使你只是需要读其中很短的几个字节，也不得不把整个文件全部解压缩，造成很大的解压浪费。

所以要根据业务，选择合适压缩分段，在压缩率、压缩速度、解压浪费间找到平衡点。

确定数据划分和压缩算法后，就可压缩了，压缩过程就是用编码替换原始数据。

压缩后的压缩包是由这编码字典和用编码替换后的数据组成。

这就是数据压缩过程。解压时，先读取编码字典，然后按字典把压缩编码还原成原始数据即可。

5 Kafka 消息压缩流程

首先可以配置Kafka是否开启压缩，支持配置使用哪种压缩算法。

因为不同场景是否需要开启压缩，选择哪种压缩算法都不能一概而论。

所以Kafka将选择权交给使用者。

在开启压缩时，Kafka选择一批消息一起压缩，每一个批消息就是一个压缩分段。使用者也可以通过参数来控制每批消息的大小。

在Kafka中，生产者生成一个批消息发给服务端，在服务端中是不会拆分批消息的。那按批压缩，意味在服务端也不用对这批消息进行解压，可整批直接存储，然后整批发给消费者。最后，批消息由消费者解压。

在服务端不用解压，就不会耗费服务端CPU，同时还能获得压缩后，占用传输带宽小，占用存储空间小。

使用Kafka时，如果生产者和消费者的CPU不是特别吃紧，开启压缩后，可节省网络带宽和服务端的存储空间，提升总体的吞吐量，一般都是个不错的选择。

Kafka在生产者上，对每批消息进行压缩，批消息在服务端不解压，消费者在收到消息之后再进行解压。Kafka的压缩和解压都是在客户端完成的。

6 RocketMQ 消息压缩源码

默认压缩大于4K的消息（可配置）

压缩算法是zip，默认级别5（可配置）

也是客户端做解压缩工作，服务端只存储。

    private boolean tryToCompressMessage(final Message msg) {
        if (msg instanceof MessageBatch) {
            // 当前不支持批量消息的压缩
            return false;
        }
        byte[] body = msg.getBody();
        if (body != null) {
            if (body.length >= this.defaultMQProducer.getCompressMsgBodyOverHowmuch()) {
                try {
                    byte[] data = UtilAll.compress(body, zipCompressLevel);
                    if (data != null) {
                        msg.setBody(data);
                        return true;
                    }
                } catch (IOException e) {
                    log.error("tryToCompressMessage exception", e);
                    log.warn(msg.toString());
                }
            }
        }
        return false;
    }

DefaultLitePullConsumerImpl#pullSyncImpl会调用PullAPIWrapper#processPullResult，会为压缩消息进行解压缩。

RocketMQ的压缩机制也是Producer压缩，Broker传输，Consumer解压缩，

不同的是kaffka的压缩是基于一批批消息，对于CPU空闲较多的场景下会有更大的吞吐提

7 总结

一直以来，常见算法都是空间换时间，但在MQ和一些IO密集型应用中还有CPU计资源换网络带宽/磁盘IO。

数据压缩本质是CPU资源换存储资源，或用压缩解压的时间换取存储的空间。

在选择压缩算法的时候，需综合考虑压缩时间和压缩率两个因素，被压缩数据的内容也是影响压缩时间和压缩率的重要因素。

必要时可先用业务数据做一个压缩测试，这样有助于选择最合适的压缩算法。

另外影响压缩率的重要因素是压缩分段，需根据业务情况选择一个合适分段，在保证压缩率前提下，尽量减少解压浪费。