libzling（https://github.com/richox/libzling，求观看[watch]，求星[star]，求叉[fork]）是一款高性能的数据压缩库，参见原贴：http://www.cnblogs.com/richselian/p/3626287.html。
本次更新加入了一个简化过的MTF（move-to-front）模块，使得整体压缩比已经接近bzip2，而压缩和解压速度仍大幅领先gzip。
MTF的一般实现如下：
def MTF_encode(queue, c):
p = queue.find(c)
queue[1 : p+1] = queue[0 : p]
queue[0] = c
return p
def MTF_decode(queue, p):
c = queue[p]
queue[1 : p+1] = queue[0 : p]
queue[0] = c
return c
一般实现的MTF算法在编码、解码时都需要O(n)复杂度，降低了算法速度，特别是对解压速度有严重影响。在libzling的实现中，我们不进行整个队列的移动操作，而是只将当前字符与前方某个字符交换位置，这样在编码时仍需要O(n)复杂度（可通过建索引降至O(1)，但对整体性能提升不大），而解码时只需要O(1)，使得本次改进大幅提升了压缩率，但并没有降低整体压缩速度。
改进后的MTF算法实现如下：
def MTF_encode(queue, c):
p = queue.find(c)
swap(queue[p], queue[mtf_next_pos[p]])
return p
def MTF_decode(queue, p):
c = queue[p]
swap(queue[p], queue[mtf_next_pos[p]])
return c
改进后大幅提升了速度，同时通过定制的mtf_next_pos函数，可以得到比传统MTF更好的压缩比，定制的mtf_next_pos函数如下：
def MTF_next_pos(p):
if p < 128:
return int(p * 0.9)
return p/2
同时一个对MTF的改进是对队列初值进行定制，传统的MTF队列初始化是简单的queue[i]=i，这使得刚开始编码的时候（特别是高阶）MTF模型准确率较低。libzling中MTF的初值采用统计方法确定，即统计每个字符在输入数据中出现的频率，频率高的在前。这样使得刚开始编码的时候MTF模型也能保证较高的准确率。