Compresión de datos utilizando el
algoritmo LZ77: Fundamentos y
programa de aplicación
Gisella Luisa Elena Maquén Niño
gmaquenn@unprg.edu.pe
Carlos Alberto Valdivia Salazar
cvaldivia@crece.uss.edu.pe
Resumen
La presente investigación tiene como objetivo analizar los
fundamentos del algoritmo de compresión de datos
Lempel-Ziv y explicar su funcionamiento a través de un
programa desarrollado en el lenguaje de programación
C#. El LZ77 es un algoritmo de compresión de datos
perteneciente a la familia de compresores sin pérdida,
también llamados compresores de texto, permitiéndonos
ahorrar espacio de almacenamiento en el disco duro y así
optimizar el uso de este recurso básico en la computadora
e incluso en dispositivos móviles como smartphone o
tablet. Este algoritmo es muy usado porque es fácil de
implementar y bastante eficiente en una relación
costo/beneficio. Las variantes del algoritmo LZ77 como
el LZW formo la base de varios esquemas de compresión
ubicuos, incluyendo el formato GIF y el algoritmo
“deflate” utilizado en el formato png y zip. A pesar del
atractivo en las variantes, no las estudiaremos aquí
porque, desafortunadamente, se trata de algoritmos
sujetos a patentes, por tanto, se estudiará al algoritmo
original que dio origen a todas esas variantes, el algoritmo
LZ77.
Palabras clave: Compresión de datos, compresión de
textos, algoritmo, encriptamiento, código prefijo.
1. Introducción
“LZ77 une las iniciales de dos autores Abraham Lempel
y Jacob Ziv, quienes en el año 1977 presentaron su
modelo de compresión de texto, basado en diccionario,
siendo un tipo de compresión sin pérdida de datos, que no
omite información del archivo al comprimirlo, y es usado
cuando la información a comprimir es crítica”
(Wikipedia, 2018).
Un compresor de datos es un programa que toma como
entrada un archivo de una longitud determinada y produce
1
otro archivo cuyo tamaño es menor, pero sin perder
información con relación al archivo original. Del mismo
modo, el descompresor toma como entrada el archivo
comprimido que fue generado por el compresor, y produce
el archivo original.
El problema principal de la compresión de datos es
producir una secuencia binaria más corta que la empleada
por el archivo original en su representación de bytes.
Clásicamente, cada carácter es representado internamente
con una cadena de 8 bits en base a un estándar siendo la
tabla ASCII la más conocida hoy en día, La codificación
ASCII es un típico ejemplo de codificación binaria de
longitud fija: a cada carácter o símbolo que se quiere
codificar se le asocia una cadena de bits de la misma
longitud (8 bits). Así, si un mensaje o texto tiene un total
de x caracteres, la conversión a binario de ese mensaje
insumirá indefectiblemente un total de 8*x bits.
Hasta 1977, todos los algoritmos de compresión de datos
desarrollados eran básicamente compresores estáticos, y
fue cuando el algoritmo LZ77 marca la diferencia
buscando textos repetitivos que puedan tener una misma
codificación. Los textos repetitivos son de interés, ya que
actualmente existen colecciones cuyos elementos son muy
similares entre sí. “Pensemos, por ejemplo, en el caso de
una colección que almacena el ADN de distintos
individuos de una misma especie, la similitud entre los
elementos de dicha colección será muy alta. Para explotar
las repeticiones en este tipo de texto es que se recurre al
parsing Lempel-Ziv 77” (Kreft & Navarro, 2017).
El presente ensayo, explica el Algoritmo de Lempel Ziv,
desde su fundamento teórico, su lógica de funcionamiento
y su implementación, a través de un programa realizado en
el lenguaje de programación C# mostrando de forma
gráfica un ejemplo de cómo se realiza la compresión y
descompresión de un mensaje y validada con la aplicación
desarrollada.
2. Compresión de datos
“Es un método de codificación que permite la reducción
del volumen de datos tratables para representar una
determinada información empleando una menor cantidad
de espacio, su característica principal es que el código
resultante tiene menor tamaño que el original y se basa
fundamentalmente en buscar repeticiones en series de
datos para después almacenar solo el dato junto al número
de veces que se repite” (EcuRed, 2017).
Un Archivo Comprimido es un archivo especial que
contiene datos codificados, los cuales pueden luego ser
extraídos del mismo de diversas maneras consistentes en
realizar el procedimiento opuesto (descompresión).
La redundancia depende del tipo de datos (texto,
imágenes, sonido, etc), por tanto, no existe un método de
compresión universal que pueda ser óptimo para todos los
tipos de datos.
El objetivo de la compresión es siempre reducir el tamaño
de la información, intentando que esta reducción de
tamaño no afecte al contenido. No obstante, la reducción
de datos puede afectar o no a la calidad de la información,
2.1. Métodos de compresión
La compresión de datos puede dividirse en dos tipos
principales:
 Compresión sin pérdida, es posible reconstruir
exactamente los datos originales D dado D’. Al
proceso de reconstrucción se le denomina
descompresión. La compresión de datos sin
pérdida es comúnmente usada en aplicaciones
como compresión de texto, donde la pérdida de
un solo bit de información es inaceptable. Los
métodos de compresión sin pérdida pueden
clasificarse en dos tipos: substitucionales (o
basados en diccionario) y estadísticos. La
principal distinción entre ambos es que, en el
caso de los métodos estadísticos, la codificación
de un símbolo se basa en el contexto en el que
este ocurre, mientras que los métodos
substitucionales agrupan símbolos creando un
tipo de contexto implícito.
 Compresión con pérdida, la descompresión
produce solamente una aproximación D* a los
datos originales D. La compresión con pérdida es
2
usada a menudo para aplicaciones de compresión
de imágenes y audio (video) destinadas al
entretenimiento. Son excepciones de este tipo de
compresión las imágenes médicas (identificación
de tumores o anomalías). Los métodos de
compresión con pérdida logran mejores razones de
compresión
El algoritmo LZ77 se basa en un método de compresión
sin pérdida de tipo substitucional que utiliza un diccionario
de datos que usan el principio de remplazar cadenas de
datos con codewords que identifican a esa cadena dentro
de un diccionario (Witten, Moffat, & Bell, 1999). El
diccionario contiene una lista de subcadenas y codewords
asociados a cada una de ellas. El diccionario que contiene
las cadenas de símbolos puede ser estático o adaptable
(dinámico). Los métodos basados en diccionario, a
diferencia de los métodos estadísticos, usan codewords de
longitud fija y no requieren de las estadísticas de los
símbolos para realizar la compresión.
“Prácticamente, todos los métodos de compresión
sustitucionales están basados en los métodos de
compresión desarrollado por Abraham Lempel y Jacob
Ziv: los métodos LZ77 y LZ78” (Witten, Moffat, & Bell,
1999). En ambos métodos una subcadena es remplazada
por un apuntador a donde dicha cadena haya ocurrido
previamente en el diccionario, el cual, se crea
dinámicamente. Las principales diferencias entre ellos son
en como los apuntadores son representados y en las
limitaciones que imponen sobre lo que los apuntadores
pueden representar.
3. El algoritmo LZ77
Este algoritmo, expuesto por Lempel y Ziv (1977), se
aprovecha de secuencias repetidas en los datos de entrada.
Una cadena de longitud variable de símbolos de la entrada
es substituida por palabras código de tamaño fijo (una
referencia a la ocurrencia anterior de esa secuencia). El
tamaño de esta palabra código es el límite de la ventana (el
número de símbolos previamente vistos que el algoritmo
puede referir).
El método LZ77 (Lempel & Ziv, 1977) usa como
diccionario parte de la información previamente leída. El
codificador mantiene una ventana al archivo de entrada y
recorre la entrada en esa ventana de derecha a izquierda
tantas veces como cadenas de símbolos son codificadas. La
ventana se divide en dos partes, la parte de la izquierda se
llama buffer de búsqueda y es el diccionario actual; la
parte de la derecha se llama buffer hacia el frente y
contiene símbolos aun no codificados (figura 1).
Figura 1:Diccionario en el algoritmo LZ77
3.1. Lógica de funcionamiento
En este algoritmo el codificador analiza el texto como una
secuencia de caracteres, mediante una ventana deslizable
compuesta por dos partes; un buffer hacia el frente que es
la opción que está a punto de ser codificada y un buffer
de búsqueda (la ventana en sí), que es la parte dónde se
buscan secuencias iguales a las existentes en el buffer de
anticipación. Para codificar el contenido, o parte de él, del
buffer de anticipación, se busca la secuencia igual en el
buffer de búsqueda y la codificación resulta en indicar
esta repetición como una tripleta [offset, longitud,
carácter siguiente]. Donde:
 Offset es la distancia desde el principio del buffer
de anticipación hasta el comienzo de la secuencia
repetida.
 Longitud es la cantidad de caracteres repetidos.
 Carácter siguiente es el símbolo siguiente a la
secuencia en el buffer de anticipación.
Pero, ¿cómo sabe el descompresor si lo que lee es un par
desplazamiento/tamaño o un byte sin comprimir?. La
respuesta es simple, usamos un prefijo, un bit que actúa
como una bandera, de forma similar a un interruptor con
dos estados que nos permite saber qué tipo de datos
vienen a continuación. Si el prefijo es 0, entonces lo que
viene es un byte sin comprimir. Si, por el contrario, el
prefijo es 1, entonces lo que sigue a continuación es un
par desplazamiento/tamaño. A estos prefijos también se
les llama “banderas”. El par desplazamiento/tamaño es
llamado una palabra clave. Una palabra clave es un grupo
de bits (o bytes) que contienen alguna clase de
información usada por el compresor y el descompresor.
La otra salida posible de LZ77 es un literal, la cual es
simplemente un byte sin comprimir, de manera que la
salida de LZ77 puede ser de tres formas:
3
 Literales: son simplemente bytes sin comprimir.
 Palabras clave: en nuestro caso son pares
tamaño/desplazamiento.
 Banderas: simplemente nos indican si los datos que
hay a continuación son literales o palabras clave.
Para la codificación, inicialmente, el buffer de búsqueda
puede rellenarse con algún símbolo inicial mientras que el
buffer hacia el frente se rellena con los primeros símbolos
del archivo de entrada. En la práctica, el buffer de
búsqueda es de algunos cientos de bytes mientras que el
buffer hacia el frente es de decenas de bytes.
El decodificador es más simple que el codificador. El
decodificador debe mantener una ventana de igual tamaño
que la ventana de búsqueda empleada en el codificador. Al
principio, este buffer es rellenado con el mismo símbolo
empleado para rellenar el buffer inicialmente en el
codificador.
El método LZ77 no requiere de las frecuencias de
ocurrencia de los símbolos presentes en los datos que se
van a comprimir. El método solo busca patrones de
subcadena en el buffer de búsqueda que ocurran en el
buffer hacia el frente, suponiendo que dichos patrones
ocurren continuamente, al menos dentro de la subcadena
que engloban ambos buffers. Si esta suposición se cumple
en el conjunto de datos que se va a comprimir, el método
logra buenas razones de compresión.
A continuación, se muestra el algoritmo de codificación en
LZ77 que muestra la secuencia de pasos de como funciona
teóricamente el proceso de compresión de datos:
 Guardar el tamaño del archivo a comprimir.
 Repetir hasta que no haya más bytes para
comprimir.
 Escanear el buffer hacia el frente comenzando en
posición_actual-tamaño_de_ventana_corrediza
hasta el byte actual que estamos comparando.
(Notar que el descompresor no puede copiar bytes
de una posición desde donde sus bytes no han sido
previamente definidos).
 ¿Hemos encontrado un byte igual al actual?
 Caso Si:
o Comparamos el siguiente byte desde la
posición actual con el byte en la posición
siguiente de donde encontramos un byte igual
 al primero.
o Continuar comparando hasta que
encontremos un byte que no es igual.
o Se ha encontrado un byte que no es igual. ¿Es
el número de bytes mayor que tres?
 Caso Si:
o Escribir el desplazamiento del PRIMER byte
hallado y el número de bytes repetidos
(tamaño).
o Movemos el puntero a la posición con el
número de bytes repetidos (porque no los
hemos “salvado”) y seguimos buscando.
o También se escribe una bandera 1.
 Caso No:
o Continúa la búsqueda.
 Caso No:
o Si no se encuentra ninguna coincidencia,
simplemente se escribe un byte sin comprimir
(también se escribe un literal si no hay datos
en la ventana corrediza).
o Debe recordar poner la bandera a 0.
Por otra lado, se muestra el algoritmo de decodificación
en LZ77 que muestra la secuencia de pasos de cómo
funciona teóricamente el proceso de descompresión de
datos:
 Se lee el tamaño del archivo sin comprimir.
 Se repite hasta que se ha descomprimido todo
el archivo.
 Se lee un bit (la bandera).
 Si es 0:
o Se leen 8 bits, se escriben al buffer de salida
(recordar que son un byte descomprimido) y se
incrementa el puntero a la salida.
 Si es 1:
o Se lee el desplazamiento completo (13 bits), luego
el tamaño, copiar “tamaño” bytes de
“desplazamiento” a la posición actual, y añadir al
puntero a la salida “tamaño”
Se tomará como ejemplo para poder explicar los
algoritmos la secuencia S=00101011. Pongámoslo
tabulado, de forma que podamos hacer referencia a cada
elemento de la secuencia fijándonos en el orden en el que
aparece dentro de esta.
1 2 3 4 5 6 7 8
La primera fila de la tabla 1indica la posición dentro del
buffer y la segunda su contenido. Consideraremos la
posición más a la izquierda como posición 1
Supongamos también que los tres primeros elementos,
001, ya han sido codificados; en este momento nos da igual
que hayan sido comprimidos o tomados como literales.
Posteriormente nos ocuparemos de ese aspecto, pero ahora
tenemos que codificar lo que sigue: 01011. Llamaremos a
la secuencia ya codificada secuencia 1 y a la que será
codificada ahora secuencia 2.
Si a alguien le pedimos que encuentre en 01011 una
secuencia que esté repetida a partir de lo que ya hemos
codificado (001), nos dirá que los dos primeros elementos
de la secuencia a codificar (posiciones 4 y 5 dentro del
buffer) son iguales a los dos últimos de 001 (posiciones 2
y 3), y que ahí hay una repetición. Y tendrá razón, pero la
genialidad de LZ está en darse cuenta de que se puede ir
más allá y utilizar la propia secuencia a codificar como
lugar donde seguir buscando repeticiones, a pesar de que
aún no se haya codificado.
Veamos la secuencia 2 empieza por 0101 (posiciones 4 a
7). Si empezamos a mirar en lo que ya hemos codificado,
la secuencia 1, tenemos que finaliza en 01, pero si
seguimos entrando en la secuencia 2 ahora veremos que
empieza por 01. Si juntamos el final de la secuencia 1 con
el principio de la secuencia 2, tenemos 0101, que es igual
al comienzo de la secuencia a codificar o secuencia 2. Es
decir: los elementos 4, 5, 6 y 7 de la secuencia total son
una "repetición'' de los elementos 2, 3, 4 y 5. Por tanto se
codificarán como un puntero a la posición número 2 más
una longitud de 4.
La codificación se lleva a cabo introduciendo los datos
dentro de un buffer de una longitud prefijada, n, dentro del
cual se van buscando subcadenas ya repetidas haciendo
uso del método que acabamos de explicar.
Veamos otro ejemplo. Supongamos que queremos
codificar la secuencia S=001010210210212021021200.
Por razones didácticas usaremos un buffer de longitud
n=18 y una longitud máxima de cadena Ls de 9.
Inicialmente se llenan las n – Ls posiciones del buffer con
ceros, y las Ls restantes con los primeros datos de la
secuencia, con lo que el buffer en la posición inicial
quedaría como se ve en la tabla 2.
1 2 3 4 5 6 7 8 9 1 1 1 1 1 1 1 1 1
0 1 2 3 4 5 6 7 8
s 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 2 1 0

s 0 0 1 0 1 0 1 1 n - Ls Ls
Secuencia 2 Tabla 2: Estado Inicial de compresión del segundo ejemplo
Secuencia 1
Tabla 1: Buffer con la secuencia de datos del primer ejemplo
4
La extensión reproducible de Ls, empezando a buscar en 1 2 3 4 5 6 7 8 9 1 1 1 1 1 1 1 1 1
0 1 2 3 4 5 6 7 8
la parte ya "codificada" (las n-Ls primeras posiciones del
s 2 1 0 2 1 0 2 1 2 0 2 1 0 2 1 2 0 0
buffer), aparece en gris. La primera subcadena a codificar
se formará a partir de esa extensión reproducible, 00, n - Ls Ls
seguida del siguiente elemento que ya no está repetido 1, Tabla 5: Tercera iteración de compresión del segundo ejemplo
luego S1=001. La palabra código que representa a esa
Por último, tras desplazar las 8 posiciones que ocupa S3,
subcadena será, por convenio y en ese orden, el puntero
se obtiene S4=021021200 y C4=280 (Tabla 5).
al comienzo de la repetición menos 1, seguido de la
Comprobemos que la secuencia comprimida
longitud de la repetición, seguido del elemento final, que
C=821732672280 puede decodificarse unívocamente
no entraba en la repetición. Es decir, para este caso:
dando como resultado la secuencia original
C1=021.
S=001010210210212021021200. Es importante darse
Puesto que S1 tenía longitud 3, todo el contenido del
cuenta de que, si bien la longitud de las subcadenas no es
buffer es desplazado hacia la izquierda 3 posiciones.
fija (aunque sí limitada), la de las palabras código (C) sí lo
Posteriormente, seguiremos buscando a partir de la
es: en este caso, 3 caracteres. Esto permite separar la
posición 10 la extensión reproducible. Se grafica en la
palabra código de forma simple. Incluso dentro de una
tabla 3.
1 2 3 4 5 6 7 8 9 1 1 1 1 1 1 1 1 1 misma palabra código, los tamaños asignados a una u otra
0 1 2 3 4 5 6 7 8 función (posición a partir de la que empieza una repetición,
s 0 0 0 0 0 0 0 0 1 0 1 0 2 1 0 2 1 0 longitud de esta y elemento siguiente a ella), son también
Ls fijos, y fácilmente separables,
n - Ls
Tabla 3: Primera iteración de compresión del segundo ejemplo
La longitud de cada uno de estos campos, y de la palabra
código como suma de todos ellos, está directamente
relacionada con el tamaño del buffer, n, y con el de la
Aquí, la extensión periódica de los elementos a partir de máxima subcadena, Ls. Para descomprimir se emplea un
la posición 10 se haya en la posición 8. Empezando tanto buffer de longitud n-Ls donde se van guardando los
por 8 como por 10 encontramos la secuencia 010, así que símbolos descodificados. Inicialmente el buffer se pone
S2 es la parte que se repite del comienzo de Ls, 010 todo a 0.
(posiciones 10 a 12), más el siguiente elemento, 2, que ya Seguidamente se van leyendo una por una las palabras
no se repite (posición 13). Luego S2=0102, que se código, lo cual puede hacerse sin especial cuidado al tener
codifica como C2=732. Desplazamos 4 posiciones a la la misma longitud. También en este caso ilustraremos la
izquierda, que es lo que mide S2, y la "repetición'' de la descompresión paso por paso. La primera iteración se
secuencia Ls se encuentra en la zona marcada en la tabla ilustra en la figura 2.
4.
1 2 3 4 5 6 7 8 9 1 1 1 1 1 1 1 1 1
0 1 2 3 4 5 6 7 8
s 0 0 0 0 1 0 1 0 2 1 0 2 1 0 2 1 2 0
n - Ls Ls
Tabla 4: Segunda iteración de compresión del segundo ejemplo

En ella se observa con claridad que, dado que Ls empieza

por 10, había una repetición en las posiciones 5 y 6, que
también son 10, que sin embargo no hemos marcado en
negrita dentro de la figura. Esto es debido a que la
secuencia formada por las posiciones 5 y 6, si bien
representa una repetición de lo que aparece en Ls, no se
trata de su extensión periódica ya que tiene longitud 2,
mientras que la coloreada en la figura tiene longitud 7. Figura 2:´Primera iteración de Descompresión del segundo ejemplo
Por ello S3=10210212 y C3=672.
La primera palabra que se lee es '021' (C1). El '0' sirve de
puntero en el buffer, y lo llamaremos "p''. Se debe leer el
5
carácter que está en la posición p+1, luego se lee el de la La siguiente palabra a decodificar es 672 (C3). Como
posición 1. Como inicialmente el buffer estaba puesto a antes, y esta vez por 7 veces, se guarda el carácter de la
0, no sorprende que lo que encontremos en la posición 1 posición 6+1 y se coloca a la derecha del buffer tras
sea un '0'. Tal y como está el buffer, se desplazan todos desplazarlo. El último carácter que se introduce por la
sus elementos una posición hacia la izquierda, y en el derecha nos viene dado en la palabra código: ahora es un
hueco que queda a la derecha se introduce el carácter '2'. La tercera iteración se ilustra en la figura 4.
leído con anterioridad en esa posición 1. El segundo
carácter de la palabra código es un '2'. Ello indica que la
operación anterior de leer y desplazar se debe hacer dos
veces, por lo que la repetimos: nuevamente se lee la
posición 1. Aunque la posición es la misma, el dato leído
no tiene por qué serlo, ya que el buffer se desplazó hacia
la izquierda. En este caso volvemos a tener un '0', y el
buffer tiene el mismo aspecto que antes. Al segundo
elemento de las palabras código lo llamaremos a partir de
ahora "n''. Puesto que ya hemos hecho dos veces la
operación, tantas como indicaba el n de la palabra código
que estamos decodificando, ahora se desplaza una vez
más a la izquierda, y en el hueco que ha aparecido se
introduce el tercer carácter de la palabra código (a partir
de ahora "c''), sin modificar: el '1'.
Al final de todas las figuras se resalta en negrita la parte
del buffer que corresponde a la descodificación de la
palabra código. Evidentemente, este tramo se encuentra
siempre al final del buffer, y su longitud es bien simple
de calcular: n+1.
La siguiente palabra a decodificar es 732 (C2). Como
antes, y esta vez por 3 veces, se guarda el carácter de la
posición 7+1 y se coloca a la derecha del buffer tras
desplazarlo. El último carácter que se introduce por la
derecha nos viene dado en la palabra código: ahora es un
'2'. La segunda iteración se ilustra en la figura 3.

Figura 4:´Tercera iteración de Descompresión del segundo ejemplo

Por último, la palabra a decodificar es 280 (C4). Como

antes, y esta vez por 8 veces, se guarda el carácter de la
posición 2+1 y se coloca a la derecha del buffer tras
desplazarlo. El último carácter que se introduce por la
derecha nos viene dado en la palabra código: ahora es un
'0'. La cuarta iteración se ilustra en la figura 5.

Figura 3:´Segunda iteración de Descompresión del segundo ejemplo

6

Figura 5:´Cuarta iteración de Descompresión del segundo ejemplo
Después de haber terminado de descomprimir todas las
iteraciones (C1,C2,C3.C4), ahora tenemos que
concatenar los resultados obtenidos en cada iteración que
han sido coloreados con gris.
Primera Iteración: C1=021, nos indica que hay dos
posiciones repetidas adicionando la posición sin repetir
que para este caso es el número 1, por tanto, se debe
tomar las tres posiciones últimas del buffer de esta
iteración, siendo la secuencia “001”.
Segunda Iteración: C2=732, nos indica que hay tres
posiciones repetidas adicionando la posición sin repetir
que para este caso es el número 2, por tanto, se debe
tomar las cuatro posiciones últimas del buffer de esta
iteración, siendo la secuencia “0102”.
Tercera Iteración: C3=672, nos indica que hay siete
posiciones repetidas adicionando la posición sin repetir
que para este caso es el número 2, por tanto, se debe
7
tomar las ocho posiciones últimas del buffer de esta
iteración, siendo la secuencia “10210212”.
Cuarta Iteración: C4=280, nos indica que hay ocho
posiciones repetidas adicionando la posición sin repetir
que para este caso es el número 0, por tanto, se debe tomar
las nueve posiciones últimas del buffer de esta iteración,
siendo la secuencia “021021200”.
Concatenando todas las secuencias resultantes en el orden
que han sido generadas en cada iteración nos da:
S=001 0102 10210212 021021200.
Que viene la cadena original, con lo que queda demostrado
mediante un ejemplo práctico la lógica de funcionamiento
del algoritmo LZ77.
3.2. Limitaciones
El método LZ77 ha sido mejorado desde su invención,
entre las mejoras destacan la utilización de campos O y L
de longitud variable y el uso de diferentes tamaños de
diccionario (longitud de la ventana).
Sin embargo, la utilización de una ventana más grande
implica mayor tiempo de búsqueda de los patrones y obliga
a la utilización de mejores estructuras de datos para realizar
la implementación. Por otra parte, el utilizar una ventana
más grande implica el uso de campos O y L más grandes
con lo que la razón de compresión se ve afectada.
Otro factor a considerarse es la posible expansión del
archivo en vez de la reducción deseada. Debido a que se
requiere un codeword de tres campos, esto puede producir
la expansión del archivo de salida para los casos donde la
subcadena encontrada sea de longitud 1 o 2. Una posible
solución es escribir al archivo de salida codewords cuando
la cadena encontrada sea de longitud mayor a 3 y escribir
los símbolos sin comprimir cuando la cadena encontrada
sea de longitud menor o igual a 3. Esto implica el uso de
un símbolo especial que permita diferenciar al
decodificador entre codewords y datos no comprimidos.
3.3. Variaciones del Algoritmo LZ77
El algoritmo LZ77 mantiene su vigencia como
consecuencia de su aplicación en distintas tareas que
requieren de la compresión de datos, así como fundamento
de nuevas soluciones de compresión. Algunas de las
variaciones del algoritmo LZ77 son:
El algoritmo LZ78: (Lempel & Ziv, 1978) Es una
variación que no utiliza una ventana sobre los datos a
comprimirse como en el caso del LZ77. Se tiene un
diccionario que contiene las cadenas que han ocurrido
previamente. El diccionario está vacío inicialmente y su 3.4. Implementación a través de un programa
tamaño está limitado por la memoria disponible. Para
ilustrar la forma en la que el método funciona, Para probar el algoritmo LZ77 se ha desarrollado un
considérese un diccionario (arreglo lineal) de N aplicativo en el lenguaje C# en donde se utiliza la
localidades con la capacidad de almacenar una cadena de programación orientada a objetos y los métodos que
símbolos en cada una de ellas. El diccionario se inicializa comprimen y descomprimen.
guardando en la posición cero del diccionario la cadena La interfaz desarrollada se muestra en la figura 6, donde se
vacía. El proceso es iterativo y termina cuando ya no solicita la cadena a comprimir y se muestra las tripletas
existen más símbolos a la entrada para codificar. (offset, longitud, carácter siguiente) generadas en cada
A diferencia del método LZ77, ahora los codewords se paso de la comprensión del algoritmo explicado.
componen solo de dos campos, un campo apuntador o
índice que identifica la posición de una cadena dentro del
diccionario y un campo que contiene el último símbolo
que se ha leído de la entrada. Entre más grande sea el
diccionario, más cadenas son almacenadas y se tienen
concordancias de cadenas más grandes que mejoran la
razón de compresión, pero se requieren apuntadores más
grandes y el tiempo de búsqueda se incrementa.

El algoritmo LZW (Welch, 1984): es una variante del

método LZ78. El codeword consiste ahora de únicamente
una referencia a la posición en el diccionario de la cadena
encontrada. En el caso de codificar símbolos de 8 bits, las
primeras 256 posiciones del diccionario se inicializan con Figura 6: Aplicativo para compresión con LZ77
los 256 símbolos antes de iniciar la codificación. Este
Se ha realizado la prueba con las cadenas mostradas en el
paso inicial asegura que cualquier símbolo leído de la
presente paper, la figura 7 muestra la compresión y
entrada siempre se localizará en el diccionario con lo que
descompresión de la cadena “00101011” para la prueba 01
es posible manejar únicamente un apuntador a la posición
del algoritmo de compresión LZ77.
del diccionario como código de salida. El codificador lee
cada símbolo de la entrada y los acumula en una cadena
S. Cada vez que un símbolo X es leído de la entrada, el
símbolo se concatena con S y la cadena resultante se
busca en el diccionario. Siempre que la concatenación es
encontrada en el diccionario, un nuevo símbolo X es leído
de la entrada, se concatena a S y se realiza la búsqueda de
la nueva cadena S∙X . Cuando la concatenación S∙X no se
encuentra en el diccionario (S se encuentra en el
diccionario pero S∙X no se encuentra), el codificador
escribe a la salida la posición en el diccionario de la
cadena S, guarda S∙X en una localidad disponible en el
diccionario e inicializa S con el símbolo X.

El diccionario en LZW puede implementarse, al igual que

en LZ78, por medio de un trie. Cada nueva cadena Figura 7: Prueba 01 del algoritmo LZ77
agregada al diccionario es diferente únicamente en un
La prueba 02 se ha hecho para verificar el segundo ejemplo
símbolo respecto a otra cadena ya existente (lo que en el
explicado en el presente paper donde la cadena a evaluar
trie sería una cadena padre). El problema con esta
fue: “001010210210212021021200”. Como puede
representación son las múltiples ramas que un nodo puede
observarse en la figura 8, la compresión es más eficiente
contener.
aun debido a que se encuentran subcadenas como “01” y
8
“02” repetidas muchas veces, por lo cual las tripletas van
indicando la forma en que se va comprimiendo.

Figura 9: clase clsDatos para almacenar la tripleta de busqueda

La clase clsAlgoritmoLZ77 es la encargada de registrar las

funciones de comprimir y descomprimir. La figura 10
muestra la clase y el método LZ77_Comprimir. Dentro del
método se hace el análisis explicado carácter a carácter
buscando la secuencia donde se empiezan a repetir, para
guardar como tripleta el carácter repetido o el inicio de una
subcadena repetida.

Figura 8: Prueba 02 del algoritmo LZ77

A continuación, se muestra el código de implementación

en C# de toda la clase que se ha programado para
codificar el algoritmo de compresión LZ77.

La figura 9 representa la clase de la tripleta (offset,

longitud, carácter siguiente) que nos servirá para ir
haciendo las “pasadas” de la compresión por el buffer de
almacenamiento.

Figura 10: Método para comprimir con LZ77

La figura 11, muestra el método LZ77 encargado de

descomprimir la tripleta generada en la “pasada” para
comprimir, donde el proceso concluye al encontrar la
palabra “eofk”.

9

Figura 11: Método para descomprimir con LZ77
4. Conclusiones
- La compresión de dato actualmente podría
considerarse como un método no tan necesario,
teniendo en cuenta las grandes capacidades de
almacenamiento de datos de los dispositivos y
también la velocidad de procesamientos de los
mismos. Sin embargo, aún sigue siendo necesarios
en los temas de intercambio de comunicación entre
dispositivos a distancia.
1
0
- Las redes tienen como principal inconveniente la
velocidad de transferencia de grandes cantidades de
datos, y es este punto en donde la compresión sigue
teniendo su punto fuerte en temas de eficiencia en la
transmisión de datos.
- Teniendo en cuenta que existen algoritmos de
compresión con pérdida que omiten algo de
información y generan archivos más pequeños, el
algoritmo LZ77 es un algoritmo de compresión sin
pérdida, es decir que no omiten información al
momento de la compresión.
- El algoritmo LZ77 se utiliza cuando la información a
comprimir es importante y crítica y no es necesario
perder información y aun así es considerado un
algoritmo de compresión eficiente.
- El funcionamiento del algoritmo es simple, se
encarga de encontrar secuencias repetidas, pero al
incluir al final de la búsqueda el siguiente carácter del
buffer a comprimir que no forma parte de la secuencia
repetida, que talvez no tiene repetición por lo cual se
ahorra tiempo tratando de encontrar coincidencias.
Bibliografía
EcuRed. (Junio de 2017). Recuperado el Enero de 2019,
de Compresión de datos:
https://www.ecured.cu/Compresi%C3%B3n_de_d
atos
Kreft, S., & Navarro, G. (2017). Variante de LZ77 y
aplicaciones. Revista de la Universidad de Chile,
1-3.
Lempel, A., & Ziv, J. (1977). A Universal Algorithm for
Secuential Data Compression. IEEE Transactions
on Information Theory, 23, 337-343.
Lempel, A., & Ziv, J. (1978). Compression of Individual
Secuences via Variable‐Rate Coding. IEEE
Transactions on Information Theory, 24, 530-536.
Welch, T. (1984). A Technique for High‐Performance
Data Compression. IEEE Computer, 17, 8-19.
Wikipedia. (Diciembre de 2018). Recuperado el Enero de
2019, de LZSS:
https://es.wikipedia.org/wiki/LZSS
Witten, J., Moffat, A., & Bell, T. (1999). Managing
Gigabytes: Compressing and Indexing Documents
and Images. Academic Press.
1
1