EEPW论坛

大家好，我是麦鸽，在单片机开发中，片上Flash存储空间往往捉襟见肘。无论是传感器日志、固件升级包，还是配置参数，数据量的增长常常超出硬件资源的承载能力。

直接存储原始数据不仅占用空间，还可能影响系统响应速度。此时，无损压缩算法成为解决问题的关键——通过压缩数据再存储，可显著节省空间。

而在众多压缩方案中，基于LZSS算法的开源库heatshrink凭借其轻量化、低内存占用的特性，已经有1.4K的star了。

项目首页

项目地址：github.com/atomicobject/heatshrink

LZSS（Lempel-Ziv-Storer-Szymanski）是LZ77算法的改进版本，其核心思想是通过滑动窗口技术实现重复字符串的高效编码。

在LZSS算法的数据编码里面有一个重要概念，就是：数据分组。

一个字节由8位组成，因此可以用一个字节来标记后面的至少8字节是否存在压缩编码，而不用x00x00的前缀来区分是否被压缩，从而节省了大量的x00x00前缀空间开销。

数据分组标记方式：

Data Bits

由此看见，这种数据分组的方式，最坏的情况下，只会每8个字节增加一个字节的额外空间开销，比起每个字节另外需要2个字节的空间开销而言，效率大幅提升。篇幅有限，这里只做简单介绍

heatshrink是基于LZSS算法优化的开源库，专为资源受限的单片机环境设计。其核心优势体现在以下几个方面：

• 运行时内存需求：仅需50-300字节的RAM，适用于RAM仅KB级的单片机（如STM32F0系列）。
• Flash占用：代码体积最小可压缩至1KB（AVR平台测试数据），几乎不增加固件体积。
• 配置灵活性：通过调整窗口大小（window_sz2）和前瞻缓冲区大小（lookahead_sz2），开发者可平衡压缩率与内存消耗。例如，设置window_sz2=10（窗口1024字节）和lookahead_sz2=4（前瞻16字节）是常见配置。

• 流式处理：支持分块压缩/解压，无需一次性加载全部数据，适合实时数据流场景。
• 状态机设计：通过heatshrink_encoder和heatshrink_decoder状态机管理压缩流程，减少CPU占用。

• 跨平台支持：纯C语言实现，兼容FreeRTOS、裸机系统及各类IDE（如Keil、IAR）。
• 简洁API：提供初始化、数据输入（sink）、处理（poll）和结束（finish）四类函数，集成仅需数行代码。
• 无动态内存分配：通过预编译选项HEATSHRINK_DYNAMIC_ALLOC=0，可完全避免动态内存申请，增强系统稳定性。

在环境监测设备中，传感器每小时产生1KB的温湿度数据。使用heatshrink压缩后，数据体积平均减少40%

通过压缩固件文件，可减少无线传输的数据量。以STM32F4为例，压缩后的固件传输时间缩短30%，且解压过程仅需数毫秒。

将JSON或二进制格式的配置参数压缩存储，既节省空间，又能在读取时快速解压，避免解析延迟。

git clone https://github.com/atomicobject/heatshrink.git
# 将heatshrink_encoder.c、heatshrink_decoder.c加入工程

在heatshrink_config.h中设置：

#define HEATSHRINK_DYNAMIC_ALLOC 0  // 禁用动态内存
#define HEATSHRINK_WINDOW_BITS 10   // 窗口大小1024字节
#define HEATSHRINK_LOOKAHEAD_BITS 4 // 前瞻缓冲区16字节

// 压缩数据
heatshrink_encoder *enc = heatshrink_encoder_alloc();
uint8_t input[] = "原始数据";
uint8_t output[128];
size_t input_size = sizeof(input);
size_t output_size = 0;

// 分块处理
while (input_size > 0) {
    heatshrink_encoder_sink(enc, input, input_size, &input_consumed);
    heatshrink_encoder_poll(enc, output, sizeof(output), &output_byte_count);
    // 写入Flash或发送数据
    input += input_consumed;
    input_size -= input_consumed;
}

heatshrink轻量、高效，无论是Flash空间优化，对于资源紧张但需要数据完整性的场景，都是很好的选择。通过合理配置参数,可最大化发挥其性能，为资源紧张的嵌入式系统提供更好的存储能力。