哈弗曼演算法
C語言經典的無損壓縮演算法有：哈夫曼演算法、LZ。
哈夫曼演算法：
哈夫曼編碼是David A. Huffman於1952年發明的一種滿足對編碼演算法要求的一種編碼演算法。
哈夫曼演算法是利用頻率信息構造一棵二叉樹，頻率高的離根節點近（編碼長度短），頻率低的離根節點遠（編碼長度長），手動構造方法是先將字母按照頻率從小到大排序，然後不斷選擇當前還沒有父節點的節點中權值最小的兩個，構造新的父節點，父節點的值為這兩個節點值的和，直到構造成一棵二叉樹。
LZ演算法：
LZ演算法及其衍生變形演算法是壓縮演算法的一個系列。LZ77和LZ78演算法分別在1977年和1978年被創造出來。雖然他們名字差不多，但是演算法方法完全不同。這一系列演算法主要適用於字母數量有限的信息，比如文字、源碼等。流行的GIF和PNG格式的圖像，使用顏色數量有限的顏色空間，其壓縮就採用了兩種演算法的靈活變形應用。
『貳』 演算法解析：哈夫曼（huffman）壓縮演算法
本篇將介紹 哈夫曼壓縮演算法（Huffman compression）
眾所周知，計算機存儲數據時，實際上存儲的是一堆0和1（二進制）。
如果我們存儲一段字元：ABRACADABRA!
那麼計算機會把它們逐一翻譯成二進制，如A：01000001；B: 01000010; !: 00001010.
每個字元佔8個bits, 這一整段字元則至少佔12*8=96 bits。
但如果我們用一些特殊的值來代表這些字元，如：
圖中，0代表A; 1111代表B；等等。此時，存儲這段字元只需30bits，比96bits小多了，達到了壓縮的目的。
我們需要這么一個表格來把原數據翻譯成特別的、占空間較少的數據。同時，我們也可以用這個表格，把特別的數據還原成原數據。
首先，為了避免翻譯歧義，這個表格需滿足一個條件： 任何一個字元用的值都不能是其它字元的前綴 。
我們舉個反例：A: 0; B: 01;這里，A的值是B的值的前綴。如果壓縮後的數據為01xxxxxx,x為0或者1，那麼這個數據應該翻譯成A1xxxxxx, 還是Bxxxxxxx?這樣就會造成歧義。
然後，不同的表格會有不同的壓縮效果，如：
這個表格的壓縮效果更好。
那麼我們如何找到 最好的表格 呢？這個我們稍後再講。
為了方便閱讀，這個表格是可以寫成一棵樹的：
這棵樹的節點左邊是0，右邊是1。任何含有字元的節點都沒有非空子節點。（即上文提及的前綴問題。）
這棵樹是在壓縮的過程中建成的，這個表格是在樹形成後建成的。用這個表格，我們可以很簡單地把一段字元變成壓縮後的數據，如：
原數據：ABRACADABRA!
表格如上圖。
令壓縮後的數據為S；
第一個字元是A，根據表格，A：11，故S=11;
第二個字元是B，根據表格，B：00，故S=1100;
第三個字元是R，根據表格，R：011，故S=1100011;
如此類推，讀完所有字元為止。
壓縮搞定了，那解壓呢？很簡單，跟著這棵樹讀就行了：
壓縮後的數據S=11000111101011100110001111101
記住，讀到1時，往右走，讀到0時，往左走。
令解壓後的字元串為D；
從根節點出發，第一個數是1，往右走：
第二個數是1，往右走：
讀到有字元的節點，返回此字元，加到字元串D里。D:A;
返回根節點，繼續讀。
第三個數是0，往左走：
第四個數是0，往左走：
讀到有字元的節點，返回此字元，加到字元串D里。D:AB;
返回根節點，繼續讀。
第五個數是0，往左走：
第六個數是1，往右走：
第七個數是1，往右走：
讀到有字元的節點，返回此字元，加到字元串D里。D:ABR;
返回根節點，繼續讀。
如此類推，直到讀完所有壓縮後的數據S為止。
壓縮與解壓都搞定了之後 我們需要先把原數據讀一遍，並把每個字元出現的次數記錄下來。如：
ABRACADABRA!中，A出現了5次;B出現了2次;C出現了1次;D出現了1次;R出現了2次;!出現了1次。
理論上，出現頻率越高的字元，我們給它一個佔用空間越小的值，這樣，我們就可以有最佳的壓縮率
由於哈夫曼壓縮演算法這塊涉及內容較多 ，文章篇幅很長；全文全方面講解了Compose布局的各方面知識。更多Android前言技術進階，我自薦一套《 完整的Android的資料，以及一些視頻課講解 》 現在私信發送「進階」或者「筆記」即可免費獲取
最後我想說：
對於程序員來說，要學習的知識內容、技術有太多太多，要想不被環境淘汰就只有不斷提升自己，從來都是我們去適應環境，而不是環境來適應我們
技術是無止境的，你需要對自己提交的每一行代碼、使用的每一個工具負責，不斷挖掘其底層原理，才能使自己的技術升華到更高的層面
Android 架構師之路還很漫長，與君共勉