压缩原理及步骤&&压缩比的计算
压缩原理及步骤
压缩的第一步:
将一个文件以各个字符出现的次数为权值建立哈夫曼树,这样每个字符可以用从树根到该字符所在到叶子节点的路径来表示。(左为0,右为1)
压缩第二步:
哈夫曼编码有一个很重要的特性:每个字符编码不会成为另一个编码的前缀。这个特性保证了即使我们把不同长度的编码存在一起,仍然也可以把它们分离开,不会出现认错人的冲突。
那么我们就可以把所有的字符按照原有顺序用其编码替换,构建新的字符串作为其压缩后的串。
压缩第三步:
有的小伙伴可能要问了,这样一搞不是越变越多了么,哪是什么压缩。哈哈,大部分孩子可能已经想到啦,既然单位编码除了0就是1为什么还要用字节来存呢,用位来保存,8个单位编码为1位。这样转化完成后的串才是真正压缩后的串。
当然,因为我们还要进行解压,所以这里构建的树也要和串一并加入到文件。
压缩比的计算
介绍完步骤,我们来计算一下哈夫曼编码的压缩比。用len表示串长度,path(i)表示每i个字符的编码长度,那么根据上文所介绍的原理,我们可以很容易知道,串通过哈夫曼压缩后的长度为 sum(path(i)) 1<=i<=len 这个式子虽然正确但不能直观的感受的压缩比,所以我们来假设一种平均情况进行估算 假如一个串长度为n,一共包含m个不同的字符,那么所构建成的哈夫曼树的总结点数为 2*m-1。 假设,n很大,那么可以忽略树的保存所占用的空间。如果假设此串中每个字符出现的次数都是相同的,那么也可以假设,它们所生成的哈夫曼树是完全二叉树. 即每个叶子(字符)的深度为log(m)+1,则路径长度为log(m)。log(m)即为该串字符的平均路径长度,那么压缩后的串长为log(m)/8。 由上可以得出平均压缩比的公式为: n*log(2*m-1)/8/n = log(2*m-1)/8; 可见压缩比的大小主要与m有关,即不同的字符越少越好。 ascii码的范围为0~255,共有256种不同字符,代入上式得 log(2*256-1) = 6.23 …向上取整为7(路径个数哪有小数)
7/8 = 0.875 = %87.5
所以哈夫曼编码的平均压缩比为%87.5。
强调
上述的假设在计算情况中忽略了对哈夫曼树的保存,所以只在文件总长度与不同字符总数相差很大时才生效。
考虑ascii码外的其它语言
一开始为考虑这个钻了牛角尖,想着去统一用wchar_t保存或是转为Unicode等等什么的。但其实不必那么复杂,因为汉字(不仅仅汉字,任何字符都是这样的)都是以字节为单位的,由多个字节组成的,将其分开对待,因为最终解压时恢复原串还是按照原有顺序组装,所以和纯英文文件的实现没有什么区别);
需要注意的地方
所有字符路径的总长不一定整除8,所以在按为保存时,要注意最后一项不足8的情况,进行补零,且要将补零的个数保存起来。
代码对不同类型文档的压缩比测试情况
英语文章
样例文档:西游记英文节选
原大小:7720
压缩后:10476
压缩比:1.356 – %135
此处的文件压缩后不降反增,因为文件本身大小与不同字符的数量相差并不大,加上对树的保存后,空间大于压缩前。
纯汉语文档
样例文档:西游记
原大小:1921978
压缩后:1781234
压缩比:0.926 – %92
不同汉字的数量多。
程序代码
样例文档:github网页源代码
原大小:46500
压缩后:35116
压缩比:0.755 – %76
源代码中全是英文字母与符号,不超过100种,总大小与其相差近500倍,且代码重复词比较多。
英语单词文档
样例文档:英语单词5000
原大小:20813
压缩后:13523
压缩比:0.649 – %65
源代码
压缩程序源文件 compress.cpp
#include <iostream>#include <locale>#include <cstdlib>#include <fstream>#include <vector>#include <queue>using namespace std;const long long MAX_SIZE = 10000000000;//const int MAX_TYPE = 300;unsigned int *f = new unsigned int[MAX_TYPE];//计数unsigned int *p = new unsigned int[MAX_TYPE];//计下标char *v = new char[MAX_TYPE];char filename[20];char *s[MAX_TYPE];struct Node{unsigned int weight, parent, lson, rson;Node(){};}HuffmanTree[MAX_TYPE<<1];struct NodeCmp{bool operator()(int a, int b){return HuffmanTree[a].weight > HuffmanTree[b].weight;}};int CreatTree(char *str, long long len){int num = 1;for(int i=0;i<len;i++)f[str[i]]++;cout<<"len::"<<len<<endl;for(int i=0;i<len;i++){if(f[str[i]]){HuffmanTree[num].weight = f[str[i]];HuffmanTree[num].lson = 0;HuffmanTree[num].rson = 0;f[str[i]] = 0;if(p[str[i]] == 0)p[str[i]] = num;v[num] = str[i];++num;}}cout<<"num::"<<num<<endl;return num;}void CodingTree(int num){priority_queue<int, vector<int>, NodeCmp> q;for(int i=1;i<num;i++)q.push(i);int len = num;for(int i=0;i<num-2;i++){int x = q.top(); q.pop();int y = q.top(); q.pop();HuffmanTree[len].weight = HuffmanTree[x].weight + HuffmanTree[y].weight;HuffmanTree[x].parent = HuffmanTree[y].parent = len;HuffmanTree[len].lson = y;HuffmanTree[len].rson = x;q.push(len++);}}void FindPath(int num){char *t = new char[num];t[num-1] = '\0';for(int i=1;i<num;i++){int son = i, father = HuffmanTree[i].parent;int start = num-1;while(father != 0){--start;if(HuffmanTree[father].rson == son)t[start] = '1';elset[start] = '0';son = father;father = HuffmanTree[father].parent;}s[i] = new char[num - start];strcpy(s[i], &t[start]);}}void print(int num, long long len, char *str){ofstream fout(filename, ios::out);fout<<num<<endl;for(int i=1;i<num;i++){fout<<s[i]<<endl;fout<<v[i]<<endl;}long long pos = 0;char *ans = new char[MAX_SIZE];int now = 7;for(long long i=0;i<len;i++){int k = 0;while(s[p[str[i]]][k] != '\0'){ans[pos] |= (s[p[str[i]]][k]-'0')<<now--;if(now < 0){now = 7;pos++;}++k;}}int zero = 0;if(now != 7) zero = now%7+1, pos++;fout<<zero<<" "<<pos<<endl;fout.write(ans, sizeof(char)*pos);fout.close();cout<<"zero::"<<zero<<endl;}int main(int argc, char **argv){sprintf(filename, "%s.temp", argv[1]);ifstream fin(argv[1],ios::ate | ios::in);if(!fin){cout<<"File open error!"<<endl;return 0;}long long size = fin.tellg();if(size > MAX_SIZE){cout<<"Too long!"<<endl;return 0;}fin.seekg(0, ios::beg);char *str = new char[size+1];fin.read(str,size);fin.close();int num = CreatTree(str, size);CodingTree(num);FindPath(num);print(num, size, str);return 0;}
解压程序源文件 compress.cpp
#include <iostream>#include <locale>#include <cstdlib>#include <fstream>#include <vector>#include <queue>using namespace std;char filename[20];const long long MAX_SIZE = 10000000000;//const int MAX_TYPE = 300;struct Node{char v;int parent, lson, rson;Node(){};}HuffmanTree[MAX_TYPE<<1];char *str = new char[MAX_SIZE];char *ans = new char[MAX_SIZE];void CreatTree(char *t, char v, int &pos){int root = 0;for(int i=0;t[i]!='\0';i++){if(t[i] == '1'){if(HuffmanTree[root].rson == 0)HuffmanTree[root].rson = pos++;root = HuffmanTree[root].rson;}else{if(HuffmanTree[root].lson == 0)HuffmanTree[root].lson = pos++;root = HuffmanTree[root].lson;}}HuffmanTree[root].v = v;}void print(int zero, int len, char *str){long long start = 0;int root = 0;int end = 0;for(int i=0;i<len;i++){char t = str[i];if(i == len-1)end = zero;for(int j=7;j>=end;j--){if((1<<j) & t)root = HuffmanTree[root].rson;elseroot = HuffmanTree[root].lson;if(HuffmanTree[root].lson == 0 && HuffmanTree[root].rson == 0){ans[start++] = HuffmanTree[root].v;root = 0;}}}cout<<"len::"<<start<<endl;ofstream out(filename, ios::out);out.write(ans, sizeof(char)*(start));out.close();}int main(int argc, char **argv){strcpy(filename, argv[1]);filename[strlen(filename)-4] = 'o';filename[strlen(filename)-3] = 'u';filename[strlen(filename)-2] = 't';filename[strlen(filename)-1] = '\0';ifstream fin(argv[1], ios::in);if(!fin){cout<<"File open error!"<<endl;return 0;}int num;char *t = new char[num];char *v = new char[3];fin>>num;fin.getline(t,num);cout<<"size::"<<num<<endl;int pos = 1;for(int i=1;i<num;i++){fin.getline(t,num);fin.getline(v,num);if(v[0] == '\0'){fin.getline(v,num);v[0] = '\n'; }CreatTree(t, v[0], pos);v[0]=0;}int zero;long long size;fin>>zero; fin>>size;fin.getline(t,num);fin.read(str,sizeof(char)*size);print(zero, size, str);cout<<"zero::"<<zero<<endl;return 0;}
代码读写操作用文件流实现,所以在时间效率方面还有很多可优化的地方,待日后闲了再说,毕竟考试在即。。。如果哪里有错误,欢迎砸砖,便于在下提升修正。
如果觉得《哈夫曼编码压缩解压缩实现不同类型文件压缩比的测试》对你有帮助,请点赞、收藏,并留下你的观点哦!