【项目】文件的压缩与解压

项目平台

Windows     VS2013    Beyond Compare4

项目技术

• Huffman树
• 优先级队列

项目描述

• 统计文件中每个字符出现的次数，根据优先级对列，构建Huffman树，出现次数多的编码短，出现次数少的编码常
• 根据构建好的Huffman树，对文件进行压缩
• 在对压缩好的文件进行解压，判断争取行。

项目原理

Hffman树，又称为最有二叉树，是加权路径长度最短的二叉树。

• 利用贪心算法构建Huffman树，可以做出当前看看起来最好的选择。
  
• 生成Huffman编码
  
  我们可以看到，对应权值小的编码长，权值大的编码短，文件压缩正是用的这一边，一个文件里出现次数多的，它的编码就短，这样才可以节省空间，起到压缩的目的。

文件压缩原理

假设我们有一个文件，里边存的是

aaaabbbccd

我们要对这个文件进行压缩，首先我们可以看出，a出现了4次，b出现了3次，c出现了2次，d出现了一次。我们来根据次数建Huffman树，

如图生成了Huffman编码，
对应的源文件，转换成编码后，

00001010 10111111 110

不够8个bit位，要不齐，因此补完之后就占3个字节，而原文件占10个字节，这就是文件压缩的原理。

项目的主要思路

项目过程

文件压缩过程

先统计每个字符出现的次数，然后用次数来构建Huffman树，根据Huffman树将文件转换为对应的Huffman编码，不够的位补0。

具体过程：

• 读取文件，将每个字符，该字符出现的次数和权值构成哈夫曼树；
• 哈夫曼树是利用小堆构成，字符出现次数少的节点指针存在堆顶，出现次数多的在堆底；
• 每次取两个最小的值，将两数相加的结果作为父结点，构成一颗二叉树，然后在该值放入堆中 ，直到堆被取完，这时Huffman树也构构建完成
• 从Huffman树中获取Huffman编码，然后根据字符数组，获取每个字符出现的次数
• 获取编码后，每次凑够8位写入压缩文件中

文件解压过程

先构建Huffman树和Huffman编码，然后统计Huffman树的叶子结点的之后，对应的就是原文件中的字符个数，然后根据压缩文件里的Huffman编码去获取字符，再将字符写入解压文件中。

具体过程：
- 构建Hufman树和Huffman编码
- 根据所有叶子结点之后，算出字符的总个数
- 读取压缩文件，根据文件的编码找到对应的字符，将字符写入到解压文件
- 用Beyond Compare4 进行对比，判断正确性

项目测试

【源文件大小】：

项目中碰到的问题

• 测试的时候发现如果待压缩文件中出现中文，程序就会崩溃

将错误定位到构造哈弗曼编码的函数处，通过单步调试发现是数组越界所致，因为如果只是字符，它的范围是-128~127，程序中通过一个char类型的变量作为数组的下标（0~127），是没有问题的，但汉字的编码是两个字节(只能收录2万多的汉字，但在本项目中已经够用了，这里不进行深究)，所以会发生数组越界，解决方法是将char强转为unsigned char，可表示范围为0~255。

• 怎样判断压缩后的编码有没有补充位？

根据解压时构建的Huffman树，算出其叶子结点之和，根据叶子节点值就是总共压缩的字符个数，

• 文件的打开方式。

这里打开文件一定要用二进制形式，”wb”,”rb”.因为二进制打开和文本打开其实是有区别的。文本方式打开，会对‘\n’进行特殊处理，那如果这个字符本身就是’\n’.这就会出现问题，所以使用二进制打开，特点：不进行任何处理，是什么就是什么。

• 文件越压越大

  堆建错了，小堆建成大堆。

不足之处

• Huffman编码的与缺点就是，只有同样字符出现次数多，和字符出现少的差距大时，才能明显的看到文件被压小，如果，源件里的字符出现的频率都差不多，则起不到作用。
• 压不了图片，只能压缩文本文档

项目源代码

https://github.com/whiltes/Huffman