自制压缩软件

Posted eimadrigal

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了自制压缩软件相关的知识,希望对你有一定的参考价值。

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. 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helloh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31255对应的字符,共2B,16bits。
解压缩流程是压缩的逆过程:

  1. 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

  • EOFfeof()
    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。

以上是关于自制压缩软件的主要内容,如果未能解决你的问题,请参考以下文章

C/C++ 自制一个基于zlib的文件的(解)压缩系统

自制垃圾批处理软件

如何制作exe程序可执行文件

python+tkinter+pyautogui 自制截屏软件

用JS自制表格软件玩数据9. 自制三维 K线图 蜡烛图

用JS自制表格软件玩数据9. 自制三维 K线图 蜡烛图