自制压缩软件

Posted 2021-03-10 eimadrigal

结构

压缩软件的核心在于压缩算法。基于Huffman编码的压缩算法思路：

1. 以二进制方式读取源文件，按照每8bits作为一个字符；
2. 统计每个字符的出现频率即为叶子结点的权值，按照Huffman算法得到每个叶子的编码；
3. 对源文件的每个字符，将新的编码组合为二进制流，按照每8bits一个单位写入压缩文件。

举例来看：
假设我们有待压缩源文件hello，h的ASCII码为01101000，同理可得整个文件的二进制形式0110100001100101011011000110110001101111，共5B，40bits。
根据Huffman算法：得到h的编码为00，同理可得整个文件的Huffman编码为0001111110，末尾不够8bits，采用补0的方法可得0001111110000000，按照每8bits一个单位，写入压缩文件的是31和255对应的字符，共2B，16bits。
解压缩流程是压缩的逆过程：

1. 以二进制方式读取压缩文件；
2. 每次取1bit，从Huffman树的根结点出发，找到某个叶子即为源字符。

效果

做一个简单的比较：

压缩软件	测试文件	压缩率	测试文件	压缩率
CompressIt	txt(840B)	70.4%	png(282KB)	101%
WinRaR	txt(840B)	14.4%	png(282KB)	100%

压缩率和压缩时间和专业软件没法比。之所以出现压缩文件大于源文件，是因为压缩文件中还存储了Huffman树等信息，为解压所需。
对于不同内容的文件，得到的压缩文件大小也不尽相同，这主要与Huffman编码的性质有关。

理论分析

Huffman编码依赖于信源的统计特征，其背后的原理在于为出现频率高的字符分配尽可能短的码长，这样就可以降低平均码长：
[L=Sigma p_il_i]
使得(L)最短的编码就是最优编码，可以证明Huffman编码是一种最优编码。
同时Huffman编码还是前缀码，简化了解码过程。
假设一种理想情况：源文件长(len)很大，共有(m)种不同字符，每个字符用8bits表示，并且每种字符出现频率(frac{len}{m})相同，忽略掉存储Huffman树等信息所需的空间。
这棵完全二叉树共有结点(n=2*m-1)个，那么树深度为(h=1+lfloor log_2n floor)，每个字符的压缩长度为(h-1=lfloor log_2n floor)，故压缩后的串长度为(frac{(h-1)*len}{8})，可得压缩率(frac{h-1}{8})，即：
[alpha=frac{lfloor log_2(2*m-1) floor}{8}]
源文件中不同字符种类(m)越小，即源文件分布越集中，压缩效果越好。
如果和定长编码比较，可以得到压缩率：
[alpha=frac{lfloor log_2(2*m-1) floor}{lceil log_2(m) ceil}]
(m)取值256时，Huffman树是一棵满二叉树，压缩率为100%，并不比8位固定长度编码更高效。

收获

• EOF和feof()
EOF是一个定义在cstdio头文件中的宏，一般为-1：

#define EOF (-1)

但是如果按照二进制读取文件，对于文件中的-1又该如何处理？
阮一峰的博客说：

在Linux系统之中，EOF根本不是一个字符，而是当系统读取到文件结尾，所返回的一个信号值（也就是-1）。至于系统怎么知道文件的结尾，资料上说是通过比较文件的长度。

我们通常会写出下面程序来读取文件：

int ch;
while ((ch = fgetc(fp)) != EOF) {
    // your code here
}

但是fgetc()在到达文件结尾和发生读取错误的情况下都会返回EOF，所以上述代码不严谨，采用feof()函数来判断文件结尾：

int ch;
while (!feof(fp)) {
    ch = fgetc(fp);
    // your code here
}

但是采用feof()也有一个问题：读取最后一个字符后，feof()仍然返回0，进入循环，fgetc()再向后读取一个字符，feof()才返回1，这样程序会多循环一次。
所以比较安全的写法是：

int ch = fgetc(fp);
while (ch != EOF) {
    // your code here
    ch = fgetc(fp);
}
if (feof(fp))
    puts("End-of-File reached.");
else
    puts("Something went wrong.");

• 虚析构函数
  基类的析构函数一般写成虚函数，做个测试：

class base {
public:
    base() {};
    virtual ~base() {
        cout << "destructor in base" << endl;
    };

    virtual void f() {
        cout << "f in base" << endl;
    }
};

class derive :public base {
public:
    derive() {};
    ~derive() {
        cout << "destructor in derive" << endl;
    };

    void f() {
        cout << "f in derive" << endl;
    }
};

base* p = new derive;
p->f();
delete p;

输出：

f in derive
destructor in derive
destructor in base

如果基类的析构函数不是虚函数，输出：

f in derive
destructor in base

结果并没有调用派生类的析构函数，造成内存泄漏。
所以基类的虚析构函数的作用是：当一个基类指针删除一个派生类对象，确保调用派生类的析构函数。

• 二进制文件
  在压缩过程中，对于不同格式源文件的读取都是采用二进制方式rb。
  实际上二进制文件和文本文件并没有本质区别，你所看到的内容取决于打开文件的软件对二进制流的解释方式，文件扩展名帮助计算机知道应该用哪种解释方式，通常的文本文件的解释方式有ASCII码和Unicode码。