檔案壓縮

開發平臺：Visual Studio 2015

開發技術：堆排序，哈夫曼樹

專案描述：

1.統計檔案中字元出現的次數，利用資料結構中的堆建造Huffman樹，字元出現次數多的編碼短，出現次數少的編碼長；
2.根據建造好的Huffman樹形成編碼，以對檔案進行壓縮；
3.將檔案中出現的字元以及他們出現的次數寫入配置檔案，以便後續的解壓縮；
4.根據配置檔案讀取相關資訊，重建Huffman樹，對壓縮後的檔案進行譯碼。

先看如下兩張圖，瞭解一點背景知識：

 圖一

圖二

哈弗曼樹的原理： 

     如果有一些結點的權值分別是1，2，3，4，5，6 ，構建出來的哈弗曼樹，如下圖： 

      思想：每次從陣列中取兩個當前權值最小的數去建立結點，並作為葉子結點，它們的根節點的權值是兩者之和，把它再放回陣列，第一次選擇1，2；第二次選擇3，3；第三次選擇4，5；~~~~ ~~

檔案壓縮的原理： 

檔案壓縮真正要用到的是哈夫曼編碼，對於上面那棵樹，它的哈弗曼編碼是怎麼來的呢？ 根據上圖，同理可得：

權值為1的結點的哈夫曼編碼就是1000 權值為2的結點的哈夫曼編碼就是1001 權值為3的結點的哈夫曼編碼就是101 權值為4的結點的哈夫曼編碼就是00 權值為5的結點的哈夫曼編碼就是01 權值為6的結點的哈夫曼編碼就是11 注意：哈夫曼編碼只是對葉子節點編碼

可以發現一個規律：權值越小的，它的哈夫曼編碼越長，權值越大的，哈夫曼編碼越短。 那麼如何運用到檔案壓縮中呢？ 

     假設有一個檔案的內容是“abbcccdddd“,‘a’出現的次數是1，‘b’出現的次數是2，‘c’出現的次數是3，‘d’出現的次數是4，以各字元出現的次數構建一個哈夫曼樹，併為各字元編碼，結果是： 

如下圖：

以編碼的形式按照原字元的順序寫入壓縮檔案，如下： 1001011011111110000 

      這裡0或1代表一個二進位制位，那壓縮檔案是多大呢？壓縮檔案一共19個bit位，不夠的位補齊，只佔3個位元組 ；原檔案是多大呢？原字串“abbcccdddd“有10個字元，佔10個位元組；這就是檔案壓縮的原理。 

專案主要思路：

    1.統計：首先讀取一個檔案，統計出256個字元中各個字元出現的次數以及字元出現的總數；

    2.建樹：按照字元出現的次數，並以次數作為權值建立哈夫曼編碼樹，建好樹後找出各個字元的編碼；

    3.壓縮：再次讀取檔案，按照該字元對應的編碼壓縮檔案；

    4.加工：將檔案的長度，檔案中各個字元以及它們出現的次數，寫進配置檔案中；

    5.解壓：利用壓縮檔案和配置檔案恢復出原檔案；

    6.測試：首先觀察解壓的檔案和原檔案是否相同，再通過Beyond Compare 4軟體進行對比，驗證程式的正確性。

檔案壓縮的過程： 

首先要統計待壓縮檔案中各字元出現的次數，然後構造哈弗曼編碼，把編碼寫入壓縮檔案，不夠一個位元組的就在後面補零，因為要解壓縮，所以還得寫一個配置檔案，配置檔案裡面寫每個字元出現的次數。 

具體過程：

 a.讀取檔案，將每個字元，該字元出現的次數和權值構成哈夫曼樹；

b.哈夫曼樹是利用小堆構成，字元出現次數少的節點指標存在堆頂，出現次數多的在堆底；

c.每次取堆頂的兩個數，再將兩個數相加進堆，直到堆被取完，這時哈夫曼樹也建成；

         d.從哈夫曼樹中獲取哈夫曼編碼，然後再根據整個字元陣列，來獲取出現了的字元的編碼；

         e.獲取編碼後每次湊滿8位就將編碼串寫入到壓縮檔案；

         f.寫好配置檔案，統計每個字元及其出現次數，儲存到配置檔案中。

檔案解壓的過程： 

先去讀配置檔案，構建哈弗曼樹和哈弗曼編碼，用壓縮檔案裡的編碼去哈弗曼樹裡面找，找到葉子結點，就把葉子節點的字元寫入解壓縮檔案中。 

具體過程：

 a.讀取配置檔案，統計所有字元的個數；

 b.構建哈夫曼樹，讀解壓縮檔案，將所讀到的編碼字元的這個節點所含的字元，寫入到解壓縮檔案中，直到將壓縮檔案讀完；

 c.解壓縮完成之後，利用Beyond Compare 4軟體，進行檔案的測試。

專案測試：

       通過Beyond Compare 4軟體，對檔案壓縮前和壓縮後的內容進行對比，驗證程式的正確性。 效能測試，在release版本下會更高效一些，時間會縮短很多，因為 Debug 通常稱為除錯版本，它包含除錯資訊，並且不作任何優化，便於程式設計師除錯程式，也就是博主程式設計用的版本；Release 稱為釋出版本，它往往是進行了各種優化，使得程式在程式碼大小和執行速度上都是最優的，以便使用者很好地使用。

執行結果：

測試用例：

      原檔案為“穿過落雁修竹，看過月升日落你說總有一日會名揚天下實現你抱負”(名為1.txt)，經過壓縮(1.huff),解壓後(1_Com.txt)的檔案的內容如下：

圖三

圖四

專案中出現的問題：

（1）測試的時候發現如果待壓縮檔案中出現中文，程式就會崩潰，將錯誤定位到構造哈弗曼編碼的函式處，通過單步除錯發現是陣列越界所致，因為如果只是字元，它的範圍是-128~127，程式中通過一個char型別的變數作為陣列的下標（0~127），是沒有問題的，但漢字的編碼是兩個位元組(只能收錄2萬多的漢字，但在本專案中已經夠用了，這裡不進行深究)，所以會發生陣列越界，解決方法是將char強轉為unsigned char，可表示範圍為0~255。

（2）為什麼要使用配置檔案？

在專案中，將字元對應的編碼轉化為位，在unsigned char中填充位，填滿後就寫入到壓縮檔案中。

         問題1：最後一個位元組是不是很有可能沒有填滿，該如何判斷他是否填滿以及填了幾個字元的編碼？

         問題2：若依次壓縮一些檔案，壓縮完後再去解壓，那麼編碼此時已經沒有了，該如何解壓？

        上面的兩個問題可通過配置檔案解決，假如要壓縮的檔案叫xxx，那麼可生成一個xxx.config的配置檔案，在該配置檔案中寫入<檔案的總長度>(恢復時知道應該恢復多少個字元)，<char-times>（字元以及其出現的次數，用於解壓時重建哈夫曼樹），利用該配置檔案即可解決這兩個問題。

（3）在檔案恢復的時候需要注意哪些問題？

     有些特殊字元的處理需要注意一下，比如 '\n'，我的程式中有一個函式就是讀取一行字元，但是若是該字元本身就是'\n'呢，我們寫入的<char-times>的char就是\n呢？那麼就比較棘手了，對於這個問題，千萬不能漏掉，否則就不能恢復出原來的檔案。讀取配置檔案的時候若讀到’\n‘,則說明該字元就是'\n'，應該繼續讀取它的次數。

有問題可微信掃碼諮詢：