LZW编解码算法的基本原理及其C++实现

LZW编解码算法的基本原理及其C++实现

LZW编码（LZW Encoding）又称“串表压缩算法”，由J.Ziv和A.Lempel在1978年首次介绍，并由Terry A.Welch在1984年予以改进，最终该编码方法由三人的名字命名。

该编码方法属于词典压缩编码方法。词典编码是一种通用编码方法，适用于无法观察新源统计特性，或虽然可观察但统计特性不固定的情形。

LZW编码可应用于通用文件压缩（如WinZip）、动画图像压缩（如GIF、TIFF）等领域。

下面将介绍LZW编解码的基本原理和C++的实现方法。

编码原理

核心思想

LZW编码的核心思想是从输入数据中创建一个“短语词典（Dictionary of Phrases）”，这种短语可以是任意字符的组合。编码数据过程中当遇到已经在词典中出现的“短语”时，编码器就输出该词条的“索引号”，而不是短语本身，以实现压缩。

编码流程

将编码器不断从数据流中读取新的字符，记为C（Current），另外将仍未编码的字符记为P（Previous）。P和C就是编码过程中，我们不断维护的两个变量。

编码流程如下：

下面我们通过一个实例，来对编码流程具体说明。

例如对“abbababac”进行LZW编码。

初始化词典：a = 97，b = 98，c = 99（ASCII码）

步骤	P	C	PC在词典中？	若不在，输出P	新增词条	说明
1	NULL	a				初始化，不处理
2	a	b	否	97（a）	ab：256	ab不在词典中，扩充，P = C
3	b	b	否	98（b）	bb：257	bb不在词典中，扩充，P = C
4	b	a	否	98（b）	ba：258	ba不在词典中，扩充，P = C
5	a	b	是			ab在词典中，P = PC
6	ab	a	否	256（ab）	aba：259	aba不在词典中，扩充，P = C
7	a	b	是			ab在词典中，P = PC
8	ab	a	是			aba在词典中，P = PC
9	aba	c	否	259（aba）	abac：260	abac不在词典中，扩充，P = C
10	c	NULL		99（c）		结束，输出未编码的字符

这样，我们就将“abbababac”编码为了“97 98 98 256 259 99”。

词典的建立——Trie树

词典的建立是整个编码流程的核心。但在实际操作过程过，如果按照词条索引线性建立词典，在查找时将会非常低效。

词典是通过Trie树（Trie为Retrive的中间四个字母），或称数字查找树（Digital Search Tree）的方式建立起来的。我们将词典中的每一个词条映射到Trie树中的每一个节点（Node），并对每个节点定义以下四个变量：

• Suffix（尾缀字符）
• Parent（母节点）
• First Child（第一个子节点）
• Next Sibling（下一个兄弟节点）

这样，每个词条（节点）都可以表示为“旧节点字符串+新字符”。

我们可以用查纸质词典的过程来更好地体会：我们需要查找一个词条时（例如“code”一词），显然也不是从前向后一页一页查找，而是可以先找到目录，再找到“C”，这样找到“code”的页面便容易了许多。在这里，“c”就可以认为是Parent，而“ode”便为Suffix，该词对应的派生词“coding”为First Child，下一词条“code book”为Next Sibling。

回到上面的例子。其在编码过程中建立的Trie树为：

在该树中：

节点	Suffix	Parent	First Child	Next Sibling
bb	b（第二个）	b（第一个）	无	ba
aba	a	ab	abac	无

解码原理

核心思想

首先我们要明确一点，编码过程中建立的词典，实际上并不与码流一起传送。这主要考虑到以下两点：一是由于码表可能占用的空间很大，不传送码表可以将压缩比最大化；二是如果需要等收到编码端的词典后再进行解码，便不可能实现编解码两端的同步操作。

那么，我们就要在解码端按照与编码端相同的规则同步地建立词典（Trie树），这便是LZW解码的核心思想。

解码流程

解码过程中的两个核心变量为pW和cW，分别表示码流中上一个码字和当前的码字。

解码流程图如下：

我们仍以上面给出的例子进行解码算法的说明：

待解码的码流为：“97 98 98 256 259 99”。

步骤	pW	cW	cW在词典中？	输出	新增词条	说明
1		97	是	a		在词典中，输出cW；新增pW + cW首字符
2	97	98	是	b	ab：256	在词典中，输出cW；新增pW + cW首字符
3	98	98	是	b	bb：257	在词典中，输出cW；新增pW + cW首字符
4	98	256	是	ab	ba：258	在词典中，输出cW；新增pW + cW首字符
5	256	259	否	aba	aba：259	不在词典中，输出pW + pW首字符，并添加至词典
6	259	99	是	c	abac：260	在词典中，输出cW；新增pW + cW首字符

这样，即复原出了原始数据流：“abbababac”。

在这里再说明一下cW不在词典中的情况。我们知道，解码端总是落后编码端一步，因此如果cW不在词典中，说明cW是由刚解完的码字 + 该码字的第一个字符组成。可以看到，“ab aba”就符合这样的特征。

源程序

思路及具体实现方法可以参考代码注释。

declarations.h

#pragma once
#include "BitIO.h"
#define DICT_CAPACITY 65535   // Capacity of the dictionary
/* Global variables */
struct {
    int suffix;
    int parent;
    int firstChild;
    int nextSibling;
} dictionary[DICT_CAPACITY + 1];
extern int nextNodeIdx;    // Index of next node (i.e. next dictionary entry)
extern int decStack[DICT_CAPACITY]; // Stack for decoding a phrase

/* Functions */
void LzwEncoding(FILE* inFilePtr, BITFILE* outBitFilePtr);
void LzwDecoding(BITFILE* inBitFilePtr, FILE* outFilePtr);

BitIO.h

#pragma once
#include <iostream>

typedef struct {
	FILE* fp;
	unsigned char mask;
	int rack;
}BITFILE;

BITFILE* OpenBitFileInput(char* fileName);
BITFILE* OpenBitFileOutput(char* fileName);
void CloseBitFileInput(BITFILE* bf);
void CloseBitFileOutput(BITFILE* bf);
int BitInput(BITFILE* bf);
unsigned long BitsInput(BITFILE* bf, int count);
void BitOutput(BITFILE* bf, int bit);
void BitsOutput(BITFILE* bf, unsigned long code, int count);

BitIO.cpp

/* Definitions for bitwise IO */

#include <iostream>
#include <stdlib.h>
#include "BitIO.h"

BITFILE* OpenBitFileInput(char* fileName) {
	//BITFILE* bf = (BITFILE*)malloc(sizeof(BITFILE));
	BITFILE* bf = new BITFILE;
	if (bf == NULL) {
		return NULL;
	}
	if (fileName == NULL) {
		bf->fp = stdin;
	} else {
		fopen_s(&bf->fp, fileName, "rb");
	}
	if (bf->fp == NULL) {
		return NULL;
	}
	bf->mask = 0x80;
	bf->rack = 0;
	return bf;
}

BITFILE* OpenBitFileOutput(char* fileName) {
	//BITFILE* bf = (BITFILE*)malloc(sizeof(BITFILE));
	BITFILE* bf = new BITFILE;
	if (bf == NULL) {
		return NULL;
	}
	if (fileName == NULL) {
		bf->fp = stdout;
	} else {
		fopen_s(&bf->fp, fileName, "wb");
	}
	if (bf->fp == NULL) {
		return NULL;
	}
	bf->mask = 0x80;
	bf->rack = 0;
	return bf;
}

void CloseBitFileInput(BITFILE* bf) {
	fclose(bf->fp);
	//free(bf);
	delete bf;
}

void CloseBitFileOutput(BITFILE* bf) {
	/* Output the remaining bits */
	if (bf->mask != 0x80) {
		fputc(bf->rack, bf->fp);
	}
	fclose(bf->fp);
	//free(bf);
	delete bf;
}

int BitInput(BITFILE* bf) {
	int value;

	if (bf->mask == 0x80) {
		bf->rack = fgetc(bf->fp);
		if (bf->rack == EOF) {
			fprintf(stderr, "Reached the end of file.\n");
			exit(-1);
		}
	}
	value = bf->mask & bf->rack;
	bf->mask >>= 1;
	if (0 == bf->mask) {
		bf->mask = 0x80;
	}
	return((value == 0) ? 0 : 1);
}

unsigned long BitsInput(BITFILE* bf, int count) {
	unsigned long mask;
	unsigned long value;
	mask = 1L << (count - 1);
	value = 0L;
	while (mask != 0) {
		if (BitInput(bf) == 1)
			value |= mask;
		mask >>= 1;
	}
	return value;
}

void BitOutput(BITFILE* bf, int bit) {
	if (bit != 0) {
		bf->rack |= bf->mask;
	}
	bf->mask >>= 1;
	if (bf->mask == 0) {	// 8 bits in rack
		fputc(bf->rack, bf->fp);
		bf->rack = 0;
		bf->mask = 0x80;
	}
}

void BitsOutput(BITFILE* bf, unsigned long code, int count) {
	unsigned long mask;

	mask = 1L << (count - 1);
	while (mask != 0) {
		BitOutput(bf, (int)((code & mask) == 0 ? 0 : 1));
		mask >>= 1;
	}
}

LzwED.cpp

#include <iostream>
#include "declarations.h"
#include "BitIO.h"
using namespace std;

/* Global variables */
int nextNodeIdx;
int decStack[DICT_CAPACITY];

/* Macros */
#define Input(f) ((int)BitsInput(f, 16))
#define Output(f, x) BitsOutput(f, (unsigned long)(x), 16)

void InitialiseDict() {	// Dictionary initialisation (initialise root node 0-255)
	for (int i = 0; i < 256; i++) {
		dictionary[i].suffix = i;  // The suffix of each node is the corresponding ASCII code
		dictionary[i].parent = -1;  // Temporarily doesn't have a parent node (i.e. prefix)
		dictionary[i].firstChild = -1;  // Temporarily doesn't have any child nodes
		dictionary[i].nextSibling = i + 1;	// The index of the next sibling root node is the next ASCII code
	}

	dictionary[255].nextSibling = -1;	// No next sibling for the last root node
	nextNodeIdx = 256;	// The index of next dictionary entry
}

int InDict(int P, int C) {
	if (P == -1) {
		/* In this case, the current character is the start of the file,
		and it's evidently in the dictionary,
		thus return the corresponding ASCII code (let P = this character). */
		return C;
	}

	/* Traverse all child node(s) of node P from left to right (i.e. all sibling nodes of the first child node) */
	int sibling = dictionary[P].firstChild;	// Start from the first child of P
	while (sibling > -1) {	// sibling == -1 indicates the end of sibling traversal
		/* If a C-suffixed sibling is found, then return the code of PC (i.e. the index of this sibling) */
		if (C == dictionary[sibling].suffix) {
			return sibling;
		}
		/* If the suffixes don't match, then look for the next */
		sibling = dictionary[sibling].nextSibling;
	}

	/* The suffix of all siblings don't match PC, thus PC isn't in the dictionary */
	return -1;
}

void NewDictEntry(int P, int C) {
	if (P < 0) {
		return;
	}

	dictionary[nextNodeIdx].suffix = C;
	dictionary[nextNodeIdx].parent = P;
	dictionary[nextNodeIdx].nextSibling = -1;	// Indicates that the node is the last sibling
	dictionary[nextNodeIdx].firstChild = -1;	// Temporarily this node doesn't have a child
	int pFirstChild = dictionary[P].firstChild;	// The first child of P
	int pChild;

	/* Set up the new sibling-relation */
	if (pFirstChild > -1) {	/* Parent of the new node originally have a child node */
		pChild = pFirstChild;	// Start from the first child of P

		/* Look for the youngest child of P (i.e. the last sibling) */
		while (dictionary[pChild].nextSibling > -1) {
			pChild = dictionary[pChild].nextSibling;
		}

		dictionary[pChild].nextSibling = nextNodeIdx;	// Set the new node as the next sibling of the current last sibling
	} else {	/* Parent of the new node originally doesn't have a child */
		dictionary[P].firstChild = nextNodeIdx;	// Set the new node as PC (i.e. the first child of P)
	}

	nextNodeIdx++;	//Index of the next entry + 1
}

void LzwEncoding(FILE* inFilePtr, BITFILE* outBitFilePtr) {
	int previousStr;	// P
	int currentChar;	// C
	int PC;	// P & C combined as 1 character

	/* Compute the size of file */
	fseek(inFilePtr, 0, SEEK_END);
	int inFileSize = ftell(inFilePtr);
	fseek(inFilePtr, 0, SEEK_SET);
	BitsOutput(outBitFilePtr, inFileSize, 4 * 8);

	/* Initialise the dictionary and P */
	InitialiseDict();
	previousStr = -1;	// Initialise P

	//fprintf(outFilePtr, "LZW-encoded string: ");
	while ( (currentChar = fgetc(inFilePtr)) != EOF ) {
		/* Check if PC is in the dictionary */
		PC = InDict(previousStr, currentChar);
		if (PC >= 0) {	/* PC is in the dictionary */
			previousStr = PC;	// Set P = PC
		} else {	/* PC isn't in the dictionary */
			Output(outBitFilePtr, previousStr);	// Output P
			if (nextNodeIdx < DICT_CAPACITY) {	/* Enough space to add PC into the dictionary */
				NewDictEntry(previousStr, currentChar);
			}
			previousStr = currentChar;	// Set P = C
		}
	}

	Output(outBitFilePtr, previousStr);	// Output the last unencoded character(s)
}

int DecodeString(int start, int code) {
	int count = start;
	while (code >= 0) {
		/* Look for the root node */
		decStack[count] = dictionary[code].suffix;	// Store the original string in inverted order
		code = dictionary[code].parent;	// Set the parent of the current node as the next node
		count++;	// Points to the next node
	}
	return count;	// The distance between the current node and the root
}

void LzwDecoding(BITFILE* inBitFilePtr, FILE* outFilePtr) {
	int character;
	int previousCode;	// pW
	int currentCode;	// cW
	int phraseLen;	// Length of phrase

	unsigned long inFileSize = BitsInput(inBitFilePtr, 4 * 8);
	if (inFileSize == -1) {
		inFileSize = 0;
	}

	/* Initialise dictionary and pW*/
	InitialiseDict();
	previousCode = -1;

	while (inFileSize > 0) {
		currentCode = Input(inBitFilePtr);
		if (currentCode < nextNodeIdx) {	/* cW is in dictionary */
			phraseLen = DecodeString(0, currentCode);	// The length of cW
		} else {	/* When cW ¡Ý next node index, which means cW > current node index, cW isn't in dictionary */
			decStack[0] = character;	// The last character in stack of the last loop, i.e. 1st character of pW
			phraseLen = DecodeString(1, previousCode);	// The length of pW + 1
		}
		character = decStack[phraseLen - 1];	// The last character in the stack, i.e. the 1st character of pW or cW

		while (phraseLen > 0) {
			phraseLen--;
			fputc(decStack[phraseLen], outFilePtr);	// Output the decoded string (in inverted order of decStack)
			inFileSize--;
		}
		if (nextNodeIdx < DICT_CAPACITY) {	/* Add the new phrase into dictionary */
			NewDictEntry(previousCode, character);	// Add "pW + 1st character of cW" or "pW + 1st character of pW" into dictionary
		}
		previousCode = currentCode;	// Set pW = cW
	}
}

main.cpp

#include <iostream>
#include "declarations.h"
#include "BitIO.h"
using namespace std;

int main(int argc, char* argv[]) {
	FILE* fp;
	BITFILE* bf;

	if (argc < 4) {
		fprintf(stdout, "Usage: \n%s <options> <inFile> <outFile>\n", argv[0]);
		fprintf(stdout, "\t<options>: E for LZW encoding or D for LZW decoding.\n");
		fprintf(stdout, "\t<inFile>: name of input file.\n");
		fprintf(stdout, "\t<outFile>: name of output file.\n");
		return -1;
	}

	if ('E' == argv[1][0]) {	/* Do LZW encoding */
		/* Open the files */
		if (fopen_s(&fp, argv[2], "rb") != 0) {
			cout << "Failed to open \"" << argv[2] << "\"." << endl;
			exit(-1);
		}
		bf = OpenBitFileOutput(argv[3]);

		if ((fp != NULL) && (bf != NULL)) {
			LzwEncoding(fp, bf);
			//LZWEncode(fp, bf);
			fclose(fp);
			CloseBitFileOutput(bf);
			fprintf(stdout, "LZW encoding done.\n");
		}
	} else if ('D' == argv[1][0]) {	/* Do LZW decoding */
		/* Open the files */
		bf = OpenBitFileInput(argv[2]);
		if (fopen_s(&fp, argv[3], "wb") != 0) {
			cout << "Failed to open \"" << argv[2] << "\"." << endl;
			exit(-1);
		}

		if ((fp != NULL) && (bf != NULL)) {
			LzwDecoding(bf, fp);
			//LZWDecode(bf, fp);
			fclose(fp);
			CloseBitFileInput(bf);
			fprintf(stdout, "LZW decoding done.\n");
		}
	} else {
		fprintf(stderr, "Unsupported operation.\n");
	}
}

实验结果

测试是否可以正确编解码

原始文件为string.txt，编码后的文件写为了二进制文件string.dat，解码后的文件为string_D.txt，使用文本编辑打开两文件：

原始文件、解码后的文件

二者一致，说明编解码结果均正确。

测试多种文件格式的压缩比

从电脑中已有的文件中，随机选取了纯文本文稿、PDF文稿、Markdown文稿、JPEG图像、可执行文件、MP3音频、Word文稿、Viso文稿、Excel电子表格和PowerPoint演示文稿共十种文件格式的各一份文件，使用LZW编码器进行编码。

编码前后的文件分别为：

可计算得对应的压缩比（按从高到低排序）：

文件名	格式	编码前大小（kB）	编码后大小（kB）	压缩比
3	md	28	16	175.0%
5	exe	160	114	140.4%
4	jpg	743	861	86.3%
9	xlsx	68	79	86.1%
6	mp3	6999	8511	82.2%
7	docx	1047	1333	78.6%
10	pptx	216	276	78.3%
1	txt	0.33	0.45	72.4%
2	pdf	56	83	67.5%
8	vsdx	32	48	66.7%

可见，LZW编码在某些文件格式的压缩上有着不错的效果（如Markdown文稿和可执行文件），但这并不一定适用于其他的文件格式（它们的体积甚至还变大了）。

我们知道，LZW编码是机基于文件中有重复内容而生的，而在这些文件格式中可能并不存在大量的重复序列（猜测可能是由于文件已经进行了高度压缩，冗余的重复内容并不多）；再加上原本ASCII码为单字节，但压缩后需要两个字节来表示，使得出现了截然相反的效果。此外，这里只对每种格式的一份文件进行了测试，可能也存在一定的误差。

总体来说，本文介绍的LZW编码方法可以适用于一定范围的文件类型，且可以正确对编码文件进行解码，若要提高通用性，可以进行进一步优化。

若有疑问，欢迎评论区讨论；也还请大家多多指正。