Huffman编码实现文本文件压缩（C++实现）

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

需求分析

  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

 解决问题要点

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]

主要设计及具体实现

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，汉字处理方式

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*******

处理的思想

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

https://github.com/Aefile/Compression-software-text-.git

测试结果

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