详解Huffman压缩原理和c++代码实现

写在前面

    Huffman压缩原理其实挺好理解的，我用java很快就写好了。然后用c++写，一开始我是这么想的：c++偏底层，应该对二进制串文件的读写会更简单吧。

    不涉及到文件读写的部分确实很快就做好了，然后就被文件读写折磨。

    各种深夜痛哭... ...

    但还是值得的，学习了更多底层的知识。我对Huffman压缩基本掌握了。（本来想说完全掌握的，但，呵，生活。微笑）

    写这篇博客花了我很长时间，我完全尽力了。我尽可能详细地写了三部分，分别是Huffman原理、坑和c++代码实现。我举了一些例子，并且经过实际动手验证，还自行绘制了几幅图帮助理解。

    欢迎指错和讨论交流，也欢迎提问质疑，尽管能力有限，但我尽力解答。

目录

    一、Huffman压缩

        1、文件在计算机中存储形式

        2、Huffman压缩算法原理

        3、例子解析

    二、需要特别注意的坑

        1、windows的'\r\n'问题，c/c++可以用二进制方式读取来解决

        2、文件读取末尾问题

    三、Huffman的实现（上代码，本文c++版本，如果要java版本请私聊我）

        编码篇

        1、统计频率

        2、建立Huffman树

        3、获取Huffman编码表

        4、编码

        译码篇

        1、获取Huffman译码表

        2、译码

正文

  一、Huffman压缩

        1、文件在计算机中存储形式

        在开始实现之前，我们要了解下计算机底层的编解码。

       计算机只认0与1，一切文件最终的存储形式都是0、1串。文本、图片、视频等文件都是通过一定的协议进行编解码，而    这些协议及其转化由各种各样的软件（音频软件、画图软件、记事本等）实现。 下图是一张png图片文件在计算机中存储形式， 可以通过Binary Viewer 软件进行查看。     

                      

        文件的存储有定长存储和不定长存储，定长存储就是int、char、byte等类型会以固定的位数b进行存储。举个例子，我们新建txt文件，写入“4 中”然后敲回车换行，再写入“16”，保存。现在我们用Binary Viewer查看它在计算机中的存储。                      

       因为我们是用文本文件进行存储，所以记事本的编解码方式是将每一个字符对应的ASCII码写入文本文件，如果是0-127的只有8位，如果是中文这样的拓展字符则有16位。

     我们看图吧，第一个字节（8位）“00110100”转化为10进制为52， 查ASCII表为‘4’，接下来的第二个字节“00100000”代表空格，接下来的两个字节是‘中’，然后依次是‘\r’,‘\n’,‘1’，6’。这里特别强调下，Windows系统用‘\r\n’表示换行，而Liunx用‘\n’，Mac用‘\r’。为什么会有如此差异呢？感兴趣的自行百度，这个跟早期打印机有关，现在只是一个规则，并没有实际含义，但要特别特别注意 。我写Huffman的时候被这个坑了，具体我们后面再说。我强烈建议写压缩的时候用上查看二进制串的工具（比如Binary Viewer），有利于理解和debug。

        2、Huffman压缩算法原理

        我们上边提到了计算机的定长存储，其实我们也看到了存储‘4’这样的数字，计算机用了8位，那么我们能不能减少二进制串呢，从而来实现压缩？有很多压缩算法，他们主要是用新一套的编解码表来实现。而每次所用的编码表都是不同的，是依据压缩的文件来决定的。

        那Huffman是怎么做的呢？它先通过对要压缩的文件进行统计频率，比如在“65da as 美65a”中a-3（表示a出现3次），d-1，s-1，6-2，5-2，美-1，空格-2。Huffman采用不定长进行存储，频率高的对应的编码长度较短，频率低的对应的编码长度较长。但我们压缩后是要能解压的，假如有这样的一组编码“00101110”，Huffman压缩算法每次读取一位，直至找到在Huffman编码表中找到，然后去除这一串，接着重复以上操作，直至编码读取完毕。要实现这样的结果，我们要怎么创立Huffman编码表呢？以下是具体做法：（边看例子辅助理解）

    (1)先对压缩文件的字符进行频率统计，以“字符--频率”的形式存入某容器m

    (2) 在容器m中取出两个频率最小对应的字符，作为二叉树的两个叶子节点，并将频率和作为它们的根节点，同时将新结点存入容器m，将旧的两个结点踢出容器m。（容器m可以是优先队列）

    (3)重复(2)，直到最后容器m中只有一个元素。

    (4) 将形成的二叉树的左节点标0，右节点标1。把从最上面的根节点到最下面的叶子节点途中遇到的0,1序列串起来，就得到了各个符号的编码。

        3、例子解析

    例子：有一串“cdbedfaabca”，进行Huffman编码和解码。

编码： （1）频率统计  f:1   e:1   d:2   c:2   b:2   a:5

            （2） f与   e作为叶子结点，其根节点为_2 。   此时，新的频率表为：_2   d:2   c:2   b:2   a:5

                      d