algorithm - 霍夫曼压缩的最后一个字节

Question

我想知道处理 Huffman 压缩中最后一个字节的最佳方法是什么。我在 C++ 中有一些很好的代码，可以很好地压缩文本文件，但目前我必须向我的编码文件写入编码字符数(好吧，它等于输入文件大小)，因为不知道如何处理最后一个字节更好。

例如，要压缩的最后一个字符是“a”，代码是 011，我刚刚开始写入新字节，所以最后一个字节将如下所示:011 + 一些 5 位垃圾，例如，我在最后将它们设为零。当我对这个编码文件进行编码时，代码 00000(或较少的零)可能是某些字符的代码，因此我的编码文件末尾会有一些垃圾字符。

正如我在第一段中所写，我通过在编码文件中保存输入文件的字符数来避免这种情况，并且在编码时，我正在读取编码文件以达到该数字(不是 EndOfFile，不要得到那些例子5个零)。这不是很有效，编码文件的大小会随着数量的增加而增加。

我怎样才能更好地处理这个问题？

Answer 1

您的方法(将编码字节数写入文件)是一种完全合理的方法。如果你想尝试不同的途径，你可以考虑发明一个新的“伪 EOF”字符来标记输入的结尾(我将其表示为 □)。每当你想压缩字符串 s 时，你都会压缩字符串 s□。这意味着当您构建编码树时，您将包含一个 □ 字符的副本，以便您拥有 □ 的唯一编码。然后，当您将字符串写入文件时，您将像往常一样写出字符串的位字符，然后写出 □ 的位模式。如果有剩余位，您可以任意设置它们。

这种方法的优点是，当您解码文件时，如果在任何时候找到 □ 字符，您可以立即停止解码位，因为您知道您已经到达文件末尾。这不需要您存储在任何地方写出的字节数 - 编码隐式标记了它自己的端点。

此设置的缺点是它可能会增加某些字符使用的位模式的长度，因为除了所有其他字符之外，您还需要为 □ 分配一个位模式。

我教授编程入门类(class)，我们使用霍夫曼编码作为我们的作业之一。我们让学生使用上面的方法，因为它比必须在文件内容之前写出位数或字节数要容易一些。更多详情，您可以查看this handout或 these lecture slides来自类(class)。

希望这对您有所帮助!