基于huffman树的文件压缩项目

文件压缩我总以为很神奇，所以一直觉得这是一个神奇的东西，但碰上神奇的东西我总是想一探究竟，在经过一番探寻答案的过程中，才发现原来文件压缩并非神奇，仅仅是利用了编码的原理转换了原来的内容而已，哈哈，这就像魔术很神奇，但是当你了解到它背后的原理，你就觉得如此普通，所以无论遇到什么看似很难的事情，只要静下心来去研究它，你总会有豁然开朗的那一天，加油吧，少年~

下面让我们一起走进文件压缩的世界吧！

文件压缩

1 什么是文件压缩？
    通过某一种机制让文件变小，并且能够通过某种方式对其还原。
2 文件压缩分类？
    无损压缩：解压缩之后的文件与源文件相同
    有损压缩：解压缩之后的文件与源文件不同
3 为什么要对文件压缩？
    节省空间
4 如何实现？
    文件：ABBBCCCCCDDDDDDD--16
    文件中内容在磁盘中以字节流的方式进行存储---字节---8比特
 
【等长编码】    
    00--A   
    01--B    
    10--C
    11--D
    00010101 10101010 10111111 11111111  
    0x15     0xAA     0xBF     0xFF  

【不等长编码】【huffman编码】
    A: 100
    B: 101
    C: 11
    D: 0

压缩：用找到的编码重新改写文件
    
解压缩：压缩文件 + 字符编码

哈夫曼树：带权路径长度[WPL]最短的二叉树

 

文件压缩的原理其实就是：基于huffman树编码原理

 

原理就是这么简单，，，一个字符占一个字节，现在用二进制编码代替之后，一个字符只占三位，也就是说一个字节可以表示两三个字符，所以说一次压缩，就会节省很多字节，也就起到了压缩的作用。

 

这个项目中，我觉得很重要的三点在于：

创建huffman树【权值w1,w2,,,wn】:
1 先用权值创建n棵只有根节点的二叉树森林【意思是先创建n个节点】
【用到了priority_queue优先级队列】

2 选取根节点权值最小的二叉树构建新的二叉树【建小堆，新二叉树根节点权值为左右子树的根节点权值之和】
3 删除使用的两棵根节点权值较小的二叉树
4 将新创建的二叉树添加到二叉树森林中
接下来2-4循环继续，直到二叉树森林中只有一棵二叉树则Huffman树创建成

 

文件压缩过程：
    0 读取源文件，读取源文件中每个字符出现的次数
    1 以每个字符出现的次数作为权值，创建huffman树：小堆--优先级队列
    2 通过huffman树找每个字符对应的编码
    3 用每个字符的新编码重新对源文件进行改写【翻译的过程】

 

文件解压缩的过程：

1. 从压缩文件中获取源文件的后缀
2. 从压缩文件中获取字符次数的总行数
3. 获取每个字符出现的次数
4. 重建huffman树

5. 解压压缩数据

    a. 从压缩文件中读取一个字节的获取压缩数据ch
    b. 从根节点开始，按照ch的8个比特位信息从高到低遍历huffman树：
        该比特位是0，取当前节点的左孩子，否则取右孩子，直到遍历到叶子节点位置，该字符就被解析成功，将解压出的字符写入文件，如果在遍历huffman过程中，8个比特位已经比较完毕还没有到达叶子节点，从a开始执行
     c. 重复以上过程，直到所有的数据解析完毕。

 

详细代码见GitHub：https://github.com/xiaobaiyuan-bit/filecompress.git

 

接下来就是我在写代码当中碰到的一些BUG和错误，我将这些总结起来：

(1).刚开始写的时候测试发现如果压缩文件中出现了中文，程序就会崩溃，将错误定位到构建哈夫曼编码的函数处，最后发现是数组越界的错误，

因为如果只是字符，它的范围是-128~127，程序中使用char类型为数组下标(0~127)，所以字符没有问题. 但是汉字的编码是两个字节，所以可能会出现越界，

解决方法就是将char类型强转为unsigned char，可表示范围为0~255.

 

(2)文件恢复的时候需要注意那些问题？ 

有些特殊字符在处理需要注意一下，比如'\n'，我的程序中Getline()函数就是读取一行字符，但是若是该字符本身就是一个'\n'呢？ 这就非常的棘手了. 因为解压缩之后出现了乱码.

对于这个问题一定好好处理，读取压缩文件时若读到了'\n',则说明该字符就是'\n'，应该继续读取它的次数.

 

好了，基本上就是这些了，总结一句，实践与理论相结合，才会有大进步~