大数据变长存储算法 - 实践

1、应用场景

对于高精度采样结果，其数值最大可能需要3字节，最少1字节，采用标准C的基础数据类型，U16太小无法满足需求，U32则浪费内存。当样本量很大时，其占用的空间问题便突显出来。能否采用变长数据类型存储呢？对小数据采用U8，大数据采用U32，随着数值大小动态分配存储空间。

2、数据去冗余

U32的空间其数值范围最大接近2^32，该值非常大，实际数值范围远小于它，高位必然为0。例如U32表示1使用0x00000001，前面位都是0，其表达的数值和U8的0x01是一样的，前面重复的一串0属于冗余数据区，是可以剔除的。

假设5个数据D0..4，原本每个数据固定为U32类型，将其高位冗余0去掉，再拼接到U8的一维数组，则占用的空间和大大缩小。思路的核心是把 U32 或者U64 数组裁剪后拼接成U8 数组，同时确保使用时可根据U8 数组中存储的信息将对应的数值还原。

假设有0x00000001、0x00000101、0x00000001三个数据，其有效部分是0x01、0x0101、0x01，如果直接拼接在一起，则没法区分0x01010101的含义。因此数据在去掉高位0之后，还需进行编码标记，便于后续解析还原。

3、数据编码

数据编码的主要作用是标记当前数据占用多少连续字节，有两种方案：

1、固定位来定义字节长度（2位可以表示4字节）

一字节：00******
二字节：01******，00******
三字节：10******，01******，00******
四字节：11******，10******，01******，00******
五字节：使用2位不支持

每个字节的最高2位表示属于原始数据的第几个（从0开始），前面举例的3个字节可以表示为： 

0x01  编码后二进制为 00-000001，最高2位为0，表示当前是编码后的数据的最后一个字节； 

0x0101 编码后二进制为 01-000001--00-000001 解析时取每个字节的2位判断，若为00则表示一个编码数值结束。 

因为前面2位固定用于标记字节数，每个字节实际可用范围只有6位，如果原数据位1000 0001，则最高两位的10需要再占用一个字节表示，最终编码为 01-000010--00-000001。 

这种编码方式，所有字节有效位是固定的，编解码实现容易。缺点是4字节只有24位有效数据，假如原数据最大到25位，则每个字节分配3位来表示，不过这种大数据一般嵌入式很少使用。

2、字节最高位表示还有剩余数据，借鉴UTF8的编码方式

一字节：0*******
两字节：110*****，10******
三字节：1110****，10******，10******
四字节：11110***，10******，10******，10******
五字节：111110**，10******，10******，10******，10******
六字节：1111110*，10******，10******，10******，10******，10******
七字节：不支持

这种编码方式，最高字节的有效位是变化的，其它字节有效位是6位。 

两种编码方式的选取，主要是依据原始数据分布概率，如果原数据范围在24位内，则前面固定位的方式占优，超过32位内则动态的合适，如果数据范围在16位内则没必要如此折腾。

4、数据访问

原数据每个值占用固定字节长度，可以方便的使用数组下标遍历，即地址偏移为(单个数字占用的字节数)*(第几个)，编码为变长数据后，要想取到某个原数据编码后的值，如果从数组头开始遍历效率是相当低的，有没有更好的办法呢？ 

将前面一维数组转为二维数组，每行数组按前面的编码实现，数据中预留4个字节，每行占满时尾部标记当前行结束累计包括多少个原始数据，下个编码值则存入下一行，依次类推。

如上图，二维数组的一行就退化为一维数组，每行在固定位置标记存储的数量。如果需要查找C10，先按标记数目的字节地址遍历，则可以找到第2行（从0开始）为13，表示需要查找的数据在本行，只需要遍历该行，从C9开始往后查询。

选择合适的数据类型的减小存储空间，对大范围的数据使用变长的类型拼接存储，牺牲了部分时间，但节约了ram或flash空间，对资源紧缺的嵌入式设备具有一定的价值。