哈夫曼压缩之压缩文件头文件的不同方式

胡扯

这是对之前的哈夫曼编码–压缩与解压的一个补充说明，这里只做简单的原理介绍，不做过多的具体实现。

---

写入头文件的必要性

  由于不同的文件压缩所用编码不同，必须将对应的编码写入到压缩文件中，才能在解压时还原。

写入头文件的五种方法

  头文件不同，所得的文件解压方式不同，大小也会有所不同，甚至会变大。
  定义压缩后的文件格式如下图所示，其中蓝绿色块为头文件，其他信息主要存放原文件信息或者编码辅助信息，编码单元存放字符编码后信息，灰色部分为原文件压缩后内容，可见头文件大小取决于编码的存储方式。

  为了更好的描述，这里提前做如下定义：

• Total：原文件大小
• Alpha：读取到的字符
• LeafNum：读取到的字符的种类数，在哈夫曼树中作为叶子节点
• Code：字符对应的01编码字符串
• CodeLen：01编码字符的长度
• HufTable：哈夫曼编码的哈希表，为一个一维数组，将Alpha作为下表，Code作为元素的值，用于解压时查找读取到字符的Code。

a. 直接写入字符及编码

  直接将字符和编码直接写入压缩文件中。在解压时，获得头文件信息，每读取一个字符，将字符按2进制转化为01字符，再与头文件中的所有的Code 进行比较，找到对应的Alpha写入解压文件中。

b. 统一编码字符长度

  将01编码按照每8位压缩为一个字符，有效地减小头文件的大小。压缩之后的头文件如下：

c. 最优编码字符长度

  由于用了最长的编码长度，b中方法仍有很多冗余信息。直接按照不同编码的编码长度做最优的长度压缩，如：一段头文件中编码最短为3，最长为36，如果按照b中方法需要将3补全为40再压缩为5个字符，但是这里我们只需要将3补全为8个，压缩为1个字符即可。
其他信息：

  因为压缩上需要读取每一个编码的长度，编码补全，编码压缩，压缩后字符个数统计，在解压上需要根据编码信息全长来截取整个头文件，再按照CodeLen，压缩字符长度和压缩字符来对编码信息进行恢复。原文解压同a。

d. 全ASCII字符位置频数法

  之前的方法这么说头文件都比较大，而且有的在实现上还很麻烦。这里将给出另一种更简便高效的压缩方式，这也是哈夫曼编码–压缩与解压中采用的方法。

  频数的位置对应ASCII码，如第0个频数表示ASCII码为0字符的频数。读取这些频数，可以有效地恢复哈夫曼树，以达到对压缩文件的解压。如果频数用unsigned long格式的数据，就可以记录很大的数据，头文件仅占有2k。

e. 不完全ASCII字符位置频数法

  d中方法更加适合于字符种类较多文件，对于字符种类较少的文件，如77种字符，却要用256个位置来记录，明显浪费了很多空间。如果我们用0表示有1表示无，用256个0或1可以表示字符有无，256个0或1又可压缩为16个字符，即8个unsigned long数据，便可省下一些空间。

  无论如何头文件终究还是很小的，而且按照现在的硬件存储能力，头文件的大小不会占有太大的存储空间。