设计题目
输入一个文本文件名,统计该文件中各字符频率。首先对各字符进行Huffman编码,将该文件翻译成Huffman编码文件B;然后将Huffman编码文件译码成文件C,并对原文件与文件C进行比较。
算法思想描述
输入:文本文件(压缩文件)
输出:压缩文件(文本文件) (压缩率)、解压后的文件
知识点:哈夫曼树、二叉树遍历、存储数据结构设计
文件流操作、字符汉字编码方式、二进制文件读写
重点:字符文件、汉字文件的压缩与解压
1. 文本文件,二进制文件及数据流的操作
2. 英文字符,中文字符的存储与识别(难点)
3. 压缩及解压的主要思想(重点)
4. Huffman树的构造
5. 编码的获取
6. 压缩文件的存储形式[huffman编码信息及数据存储]
7. 对文本文件最后一个字符的处理[补位数:压缩,解压无错误]
l 压缩解压的实现思想及原理
定义:利用算法将文件有损或无损地处理,以达到保留最多文件信息,而令文件体积变小。
在文本文件中,一个ASCII码占用一个字节空间(1Byte),汉字由两个字节构成(区码和位码),区码和位码分别用ASCII码的161-255字符表示,共94*94=8836个【GB2312编码】
即,无论字符还是汉字,均可由ASCII码表示,我们可以以二进制文件形式将一个文本文件读入,分析每个ASCII码的频数,构造huffman树,并得到相应的编码。
编码是由0、1组成的一串数字,出现频率越高的字符,其编码越短,通过这个特性,我们可以将每8位组成一个新的字符(1Byte),输出到压缩文件中,达到压缩的目的。
例如:
已知 a: 000 b:10 c: 001 d:01 e:11
如果其中的一段是::abcde 则处理如下:
补上两位
a b c d e
000 10 001 01 11 0000 0000 0010
每次取8位,8位凑成1Byte,转化为相应ASCII码输出
最后一位一般不能刚好凑够8 bit 所以需要补上0(或被之前覆盖的1)
最后一位的个数记录为补位数,以char的形式存入文件最后一位
原来: 5*1Byte=5 Byte
处理后:3*1Byte=3 Byte
仅为原来的五分之三,达到了压缩的目的
字符,即ASCII码,ASCII编码由8位组成,共256个字符,足够表示英文文本。
汉字,是考虑的重点,多方考虑下,我选择了系统支持的GB2312编码表,而非转化为UNICODE编码。GB2312的汉字编码占用两个字节,区码和位码分别由ASCII码表的161-255字符表示,共8836个汉字,足以承担汉字处理,而UNICODE编码表是变长编码,处理困难且不利于压缩。
汉字ASCII码八位1******* 一般字符编码八位0*******
以字符形式读入,每次读入一个字节(1Byte)进行处理,不去判断区分是字符还是汉字,只识别ASCII码,进行处理。
用unsigned char储存,字节编码为0到255
此处处理思想参考了Huffman编码实现文本文件压缩这篇文章的思想,并做了改进,使得一个字节的8位均能储存编码,在此感谢这位博主!
代码
代码请参考本人github仓库 Compression-software-text
1. 英文文本:
I have a dream.txt 《I have a dream》全文
压缩前:8.56KB
压缩后:4.73KB
压缩率:55%
测试结果:
压缩,解压成功!压缩效果不错
内容与原文件相同
用时0.198秒
英文压缩测试成功
2.中文文本:
鬼谷子.txt 《鬼谷子》
压缩前:18.2KB
压缩后:13.4KB
压缩率:73%
测试结果:压缩,解压成功!
内容于原文件相同,无乱码
用时0.432秒
中文汉字测试成功
3.略大文件
平凡的世界.txt 《平凡的世界》
压缩前:1.62M
压缩后:1.25M
压缩率:76%
测试结果:压缩,解压成功!
内容于原文件相同,无乱码
压缩时间31.367秒