有效 LZMA stream 的最小 initial Code 值是多少？

2026-11-04技术老齐

结论

有效 LZMA stream 的 initial Code 最小值可以是 0。由此可知：

存在 Code <= 0xffff 的有效 stream。
以 3 个 NUL bytes 开头的数据也可能是有效的 LZMA stream。
autodetect 逻辑不能仅凭前三个 bytes 是 00 00 00 就排除 LZMA。

这里所说的“有效”，是指在给定正确 LZMA properties 的情况下，range decoder 能完成解码并读到 end-of-stream marker。数据无须由特定编码器以某种规范化形式生成。

initial Code 为什么不会一直很小

LZMA range decoder 的核心判断可以简化为：

bound = (range >> 11) * probability;

if (code < bound) {
    bit = 0;
    range = bound;
} else {
    bit = 1;
    code -= bound;
    range -= bound;
}

当 range 太小时，需要执行 normalization：

range <<= 8;
code = (code << 8) | next_byte;

所有运算均按 32-bit unsigned integer 处理。

initial Code 只包含编码数据最前面的 32 bits，并不会限制后续进入 Code 的内容。即使初始值是 0，normalization 仍会不断从 stream 中读取新的 byte。经过若干次左移，后续 byte 可以进入 Code 的高位，使 code >= bound，此后 range decoder 就能返回 1 bit。

所以下面的推断不成立：

initial Code 很小
    => Code 永远很小
    => decoder 永远只能读出 0 bit

initial Code 只决定解码开始时的状态，并非整个 stream 中 Code 的上界。

initial Code 为什么可以等于 0

可以先编码一段足够长的全零决策，例如多个值为零的 literals：

literal 0x00
literal 0x00
literal 0x00
...
end-of-stream marker

每个 0x00 literal 的 8 个 literal bits 都是 0，前面的 IsMatch bit 也可以是 0。连续的零决策会反复选择当前 range 的低区间。这个区间的下界始终为零，宽度则不断缩小。

等到该区间完全落入 initial 32-bit prefix 为零的范围，再编码 end-of-stream marker。即使 end marker 包含非零决策，最终选中的子区间仍在这个很小的低区间内，因此可以选到前 32 bits 全为零的 code point：

00 00 00 00 00
│  └─────────┘
│    Code = 0
└─ range coder 要求的首个 0 byte

这种 stream 通常需要刻意编码一段较长且效率较低的 literal 序列。只包含 end-of-stream marker 的最短 stream 未必能得到相同的 initial Code，但所有有效 stream 中的最小值仍然是 0。

以 3 个 NUL bytes 开头的有效示例

下面是一个 raw LZMA1 stream：

00 00 00 2e 09 60 89 ff ec 32 80 00

它使用以下外部 properties：

lc = 0
lp = 0
pb = 0
dict_size = 4096

前 5 bytes 是 range decoder 的初始化数据：

00 00 00 2e 09

对应的 initial Code 为：

initial Code = 0x00002e09 = 11785

11785 < 65536，并且整个 stream 的前三个 bytes 都是 NUL。

可以用 Python 验证：

import lzma

raw = bytes.fromhex(
    "00 00 00 2e 09 60 89 ff ec 32 80 00"
)

filters = [{
    "id": lzma.FILTER_LZMA1,
    "dict_size": 4096,
    "lc": 0,
    "lp": 0,
    "pb": 0,
}]

initial_code = int.from_bytes(raw[1:5], "big")
output = lzma.decompress(
    raw,
    format=lzma.FORMAT_RAW,
    filters=filters,
)

assert raw[:3] == b"\x00\x00\x00"
assert initial_code == 0x00002E09
assert initial_code <= 0xFFFF
assert output == b"\x00\x00"

print(initial_code)  # 11785
print(output.hex())  # 0000

这个例子足以证明，以 3 个 NUL bytes 开头的数据也可能是 LZMA，无须依赖 initial Code == 0 的极端构造。

autodetect 时的注意事项

Raw LZMA stream 本身不包含完整的 lc、lp、pb 和 dictionary size 信息，decoder 必须从外部获得这些参数。同一组 bytes 在不同参数下也可能产生不同的结果。

如果 autodetect 只检查：

if (data[0] == 0 && data[1] == 0 && data[2] == 0) {
    /* assume not LZMA */
}

它就会拒绝实际存在的有效 LZMA stream。前三个 NUL bytes 可以作为启发式特征，但不能作为可靠的排除条件。