随着计算机技术的发展,数据量呈现爆炸式的增长,数据压缩作为减小存储数据所需空间的技术,能够有效缓和存储和传输的压力,在各类系统中得到了广泛的应用。与此同时,海量数据上的有效信息的挖掘是目前的研究热点,而数据挖掘和分析通常需要基于对数据的随机存取以及查询等操作。现有的传统数据压缩算法通常只是为了消除数据的冗余而设计,不支持压缩数据上的随机存取和其他检索操作,而高效的索引结构也通常只是面向原始数据设计,无法被应用于压缩后的数据上。为此,本文提出了一种支持查询的自适应无损压缩框架:对数据按照预设的分隔符进行分割,并用上下文模型估算数据的概率分布,通过算术编码进行压缩,最后将编码结果分块存储。其中,自适应的上下文模型通过在冷数据上进行训练,并定期更新模型,为编码提供准确的概率分布。在存储策略上,本文基于算术编码的特性,对编码后数据分块存储,以支持随机存取和不解压的顺序查询,查询类型包括精确查询、前缀查询和范围查询。同时,为了更高效的查询,本文算法提供了便捷的接口,以支持主流索引结构的集成,并以b+树为例进行了查询效果验证。实验结果表明,本文算法的压缩效果达到主流压缩算法的水平,顺序查询速度是对照算法中最快的LZO算法的24.8倍。同时,本文实现了b+树的索引的集成,在压缩后数据上,索引查询速度为顺序查询的172.5倍。