最近不少朋友问我，说那个谷歌的Draco压缩算法是不是特别复杂，搞得大家望而却步。我跟你们说，真不是那么回事。我前阵子琢磨了一下，打算把整个流程捋顺了，给大家跑一遍，保准你们看完心里就有底了。
我一开始接触这玩意儿，也是被那些眼花缭乱的数学公式给劝退了。什么几何拓扑、约束优化，看着头大。但后来我沉下心来，不是去啃那些论文，而是直接上手跑数据，把核心流程拆开了看，才发现它无非就是那么几步。
第一步：把原始数据准备好
我们手头总得有个3D模型，一般就是OBJ、PLY或者FBX那些格式。里面存着一堆点（顶点）和面（三角面片）。你要压缩它，第一件事就是把这些数据捋顺了。我做的就是把这些原始的顶点坐标和面片连接关系都读进来，放到内存里待着。
第二步：找个好“点”来划分区域
Draco厉害的地方在于它能把你的模型切成小块。我当时做的时候，就是用了一个叫“四叉树”或者“八叉树”的东西，对着你的整个模型空间画格子。这个过程就是划分边界，把模型划分成一个个小盒子。这个划分过程要巧妙，不能太散，也不能太挤。
我试了好几种划分参数，发现这个划分的精度直接决定了的压缩效果和解压速度。划分完之后，我就知道哪些点和面属于哪个“格子”了。
第三步：核心操作——拓扑结构重排
这步是关键中的关键，也是最能体现“算法”的地方。你想，原来的点和面是乱七八糟的连接在一起，没什么规律。Draco要做的，就是把这些点重新排个序，让相邻的点尽可能靠得近。我当时是这么干的：我先在最小的那个格子里动手，把这个小区域内的所有点和面，按照某种顺序重新排列一遍。
比如，我找一个“中心点”，然后所有跟这个中心点连着的点，都按照它们跟中心点的距离排个序。排完之后，这个区域内的拓扑结构就变得很有规律了。这个过程我得反复在各个小区域里做，直到整个模型的连接性都优化得差不多了。
第四步：顶点编码与差分
有了规整的顺序，我们就可以开始编码了。顶点坐标这东西，动辄就是好几个浮点数。Draco不直接存它们原来的值，而是用“差分”的方法。我把第一个点的坐标存下来，后面所有点的坐标，都只存它和前一个点的“差距”。
你想想，如果点的位置变化不大，这个差距值就会很小。小值用更少的比特就能存住，这就是压缩的开始。我就是在代码里看着这些差分值变小的过程，感觉特别有成就感。
第五步：使用整数编码器压缩
一步，就是把这些差分值和拓扑信息（比如哪个点连着哪个点），都塞进一个整数编码器里面。Draco用的是一个叫做“ZigZag”的操作把负数变正数，然后套上一个熵编码算法。我当时直接调用的库函数来完成的，重点是理解这个压缩的原理。
当我把这个编码器跑完，出来的文件大小明显小了一大截。我对比了一下，同样的模型，不用Draco就得几M，用了之后，能降到几百K，效果还是很明显的。
所以你看，整个过程拆开来，无非就是划分区域、重新排序、算差值、再打包。虽然背后的数学理论挺深，但实际操作起来，就是这么几步流程，一点都不玄乎。
