赫夫曼树
基本介绍
给定 n 个权值作为 n 个叶子结点，构造一棵二叉树，若该树的带权路径长度(wpl)达到最小，称这样的二叉树为 最优二叉树，也称为哈夫曼树(Huffman Tree), 还有的书翻译为霍夫曼树。
赫夫曼树是带权路径长度最短的树，权值较大的结点离根较近
赫夫曼树几个重要概念和举例说明
路径和路径长度：在一棵树中，从一个结点往下可以达到的孩子或孙子结点之间的通路，称为路径。通路 中分支的数目称为路径长度。若规定根结点的层数为 1，则从根结点到第 L 层结点的路径长度为 L-1
结点的权及带权路径长度：若将树中结点赋给一个有着某种含义的数值，则这个数值称为该结点的权。结 点的带权路径长度为：从根结点到该结点之间的路径长度与该结点的权的乘积
树的带权路径长度：树的带权路径长度规定为所有叶子结点的带权路径长度之和，记为 WPL(weighted path
length) ,权值越大的结点离根结点越近的二叉树才是最优二叉树。
WPL 最小的就是赫夫曼树
赫夫曼树创建思路图解
给你一个数列 {13, 7, 8, 3, 29, 6, 1}，要求转成一颗赫夫曼树.
构成赫夫曼树的步骤：
从小到大进行排序, 将每一个数据，每个数据都是一个节点 ， 每个节点可以看成是一颗最简单的二叉树
取出根节点权值最小的两颗二叉树
组成一颗新的二叉树, 该新的二叉树的根节点的权值是前面两颗二叉树根节点权值的和
再将这颗新的二叉树，以根节点的权值大小 再次排序， 不断重复 1-2-3-4 的步骤，直到数列中，所有的数
据都被处理，就得到一颗赫夫曼树
赫夫曼树的代码实现
package com.hyc.DataStructure.HuffmanTree; import java.util.ArrayList; import java.util.Collections; import java.util.List; /** * @projectName: DataStructure * @package: com.hyc.DataStructure.HuffmanTreeDemo * @className: HuffmanTreeDemo * @author: 冷环渊 doomwatcher * @description: TODO * @date: 2022/2/8 0:21 * @version: 1.0 */ public class HuffmanTreeDemo { public static void main(String[] args) { int[] arr = {13, 7, 8, 3, 29, 6, 1}; Node manTree = createHuffManTree(arr); // 测试 preOrder(manTree); } //编写一个前序遍历的方法 public static void preOrder(Node root) { if (root != null) { root.PreOrder(); } else { System.out.println("空树无法遍历"); } } /** * @author 冷环渊 Doomwatcher * @context: * @date: 2022/2/8 0:42 * @param arr 需要创建赫夫曼树的数组 * @return: com.hyc.DataStructure.HuffmanTree.Node 返回已经创建好的赫夫曼树的根节点 */ public static Node createHuffManTree(int[] arr) { List<Node> nodes = new ArrayList<>(); //（1）为了方便操作 我们先遍历数组生成对应节点 放入 arrayList for (int value : arr) { nodes.add(new Node(value)); } //循环处理 while (nodes.size() > 1) { // 先用接口的sort 排序 Collections.sort(nodes); System.out.println("nodes = " + nodes); // （2） 取出根节点权值最小的两颗二叉树 // 取出权值最小的结点 Node leftnode = nodes.get(0); //取出根节点第二最小的二叉树 Node rightnode = nodes.get(1); // （3） 构建出一颗新的二叉树 Node parent = new Node(leftnode.value + rightnode.value); parent.left = leftnode; parent.right = rightnode; // (4)从 ArrayList删除处理过的二叉树 nodes.remove(leftnode); nodes.remove(rightnode); // (5)将parent加入到 nodes nodes.add(parent); } // 返回赫夫曼树的root节点 return nodes.get(0); } } /* 为了Node对象排序，我们实现collections集合排序 * 这里我们实现 compareble * */ class Node implements Comparable<Node> { //赫夫曼树 权重值 int value; Node left; Node right; // 构造方法 创建节点的时候只需要有权重值就可以了 public Node(int value) { this.value = value; } @Override public String toString() { return "Node{" + "value=" + value + '}'; } @Override public int compareTo(Node o) { //这里我们按照权重从小到大排序 //从大到小只需要置负 -(this.value - o.value) return this.value - o.value; } // 前序遍历 public void PreOrder() { System.out.println(this); if (this.left != null) { this.left.PreOrder(); } if (this.right != null) { this.right.PreOrder(); } } }
赫夫曼编码
基本介绍
赫夫曼编码也翻译为 哈夫曼编码(Huffman Coding)，又称霍夫曼编码，是一种编码方式, 属于一种程序算法
赫夫曼编码是赫哈夫曼树在电讯通信中的经典的应用之一。
赫夫曼编码广泛地用于数据文件压缩。其压缩率通常在 20%～90%之间
赫夫曼码是可变字长编码(VLC)的一种。Huffman 于 1952 年提出一种编码方法，称之为最佳编码
原理剖析
定长编码
变长编码
赫夫曼编码
传输的 字符串 ,按照字符的出险次数出现权重
i like like like java do you like a java
d:1 y:1 u:1 j:2 v:2 o:2 l:4 k:4 e:4 i:5 a:5 :9 // 各个字符对应的个数
按照上面字符出现的次数构建一颗赫夫曼树, 次数作为权值
步骤：
从小到大进行排序, 将每一个数据，每个数据都是一个节点 ， 每个节点可以看成是一颗最简单的二叉树
取出根节点权值最小的两颗二叉树
组成一颗新的二叉树, 该新的二叉树的根节点的权值是前面两颗二叉树根节点权值的和
再将这颗新的二叉树，以根节点的权值大小 再次排序， 不断重复 1-2-3-4 的步骤，直到数列中，所有的数据都被处理， 就得到一颗赫夫曼树
根据赫夫曼树，给各个字符,规定编码 (前缀编码)， 向左的路径为 0 向右的路径为 1 ， 编码
如下:
按照上面的赫夫曼编码，我们的"i like like like java do you like a java" 字符串对应的编码为 (注意这里我们使用的无损压缩)
10101001101111011110100110111101111010011011110111101000011000011100110011110000110 01111000100100100110111101111011100100001100001110
长度为：133
原来长度是 359 , 压缩了 (359-133) / 359 = 62.9%
此编码满足前缀编码, 即字符的编码都不能是其他字符编码的前缀。不会造成匹配的多义性
赫夫曼编码是无损处理方案
注意事项
最佳实践-数据压缩(创建赫夫曼树)
将给出的一段文本，比如 “i like like like java do you like a java” ， 根据前面的讲的赫夫曼编码原理，对其进行数 据 压 缩 处 理 ，形 式 如 :
1010100110111101111010011011110111101001101111011110100001100001110011001111000011001111000100100100110111101111011100100001100001110
步骤 1：
根据赫夫曼编码压缩数据的原理，需要创建 “i like like like java do you like a java” 对应的赫夫曼树
思路：前面已经分析过了，而且我们已然讲过了构建赫夫曼树的具体实现。
public static Node createHuffManTree(List<Node> nodes) { while (nodes.size() > 1) { //首先从小到大排序 list Collections.sort(nodes); // 找到list中最小的子树 Node leftnode = nodes.get(0); //找到倒数第二小的 Node rightnode = nodes.get(1); Node parent = new Node(null, leftnode.wight + rightnode.wight); parent.left = leftnode; parent.right = rightnode; // 删除两个被处理过的子树 nodes.remove(leftnode); nodes.remove(rightnode); // 之后将parent 加入到list // 这样遍历到最后只剩下一个节点 就是我们需要的赫夫曼树 nodes.add(parent); } return nodes.get(0); }
最佳实践-数据压缩(生成赫夫曼编码和赫夫曼编码后的数据)
我们已经生成了 赫夫曼树, 下面我们继续完成任务
生成赫夫曼树对应的赫夫曼编码 , 如下表:
=01 a=100 d=11000 u=11001 e=1110 v=11011 i=101 y=11010 j=0010 k=1111 l=000 o=0011
使用赫夫曼编码来生成赫夫曼编码数据 ,即按照上面的赫夫曼编码，将"i like like like java do you like a java"
字符串生成对应的编码数据, 形式如下:
1010100010111111110010001011111111001000101111111100100101001101110001110000011011101000111100101000101111111100110001001010011011100
思路：前面已经分析过了，而且我们讲过了生成赫夫曼编码的具体实现。
/* 生成赫夫曼树对应的赫夫曼编码 * 思路 ： * 1. 将赫夫曼编码存放在map<byte,string>的形式的map里 * 2。在生成赫夫曼编码表示，需要去拼接一些路径 定一个一个 stringbuilder 存放叶子节点的路径 * */ static Map<Byte, String> huffmanCodes = new HashMap<>(); //存放叶子节点的路径的 stringbuilder static StringBuilder stringBuilder = new StringBuilder(); //为了调用方便 重载getcode public static Map<Byte, String> getCodes(Node root) { if (root == null) { return null; } // 处理左子树 getCodes(root.left, "0", stringBuilder); //处理右子树 getCodes(root.right, "1", stringBuilder); return huffmanCodes; } /** * @author 冷环渊 Doomwatcher * @context: 将传入的node节点的所有子节点的赫夫曼编码得到，并且放入huffmanCodes集合中 * @date: 2022/2/12 15:07 * @return: void * @param node 传入的节点 * @param code 路径，左子节点是 0 右子节点事 1 * @param stringBuilder 用于拼接路径 */ public static void getCodes(Node node, String code, StringBuilder stringBuilder) { StringBuilder stringBuilder1 = new StringBuilder(stringBuilder); //将code 加入到 string builder1 stringBuilder1.append(code); if (node != null) { // 如果为null 不处理 //判断是否为叶子结点 if (node.data == null) { //如果data不为空那么代表非叶子节点 // 向左继续递归 getCodes(node.left, "0", stringBuilder1); // 向右边递归 getCodes(node.right, "1", stringBuilder1); } else { //如果进入到这里说明是一个叶子结点 // 存入到 huffmanCodes这个集合中 huffmanCodes.put(node.data, stringBuilder1.toString()); } } }
最佳实践-数据解压(使用赫夫曼编码解码)
使用赫夫曼编码来解码数据，具体要求是
前面我们得到了赫夫曼编码和对应的编码 byte[] , 即:[-88, -65, -56, -65, -56, -65, -55, 77 , -57, 6, -24, -14, -117, -4, -60, -90, 28]
现在要求使用赫夫曼编码， 进行解码，又重新得到原来的字符串"i like like like java do you like a java"
思路：解码过程，就是编码的一个逆向操作。
/** * @author 冷环渊 Doomwatcher * @context: 将一个byte 转成 一个二进制的字符串 * @date: 2022/2/12 23:14 * @param flag 标志是否需要不高位，如果是ture 表示需要补高位，如果是false表示不需要 * @param b 传入的 byte * @return: java.lang.String 返回的b 对应的二进制的字符串（注意事按照补码返回） */ public static String byteToBitString(boolean flag, byte b) { //使用变量保存 b int temp = b; //如果是正数我们还需要补高位 if (flag) { //按位与 256 1 0000 0000| 00000 0001 => 1 0000 0001 temp |= 256; } String str = Integer.toBinaryString(temp); if (flag) { return str.substring(str.length() - 8); } else { return str; } } /** * @author 冷环渊 Doomwatcher * @context: 完成对数据的解压 * 思路： * 1. 其实这就是我们之前压缩思路的逆向， * 2.我们先需要将 byte数组形式的转成二进制的心态， * 3. 之后转成赫夫曼编码，之后转换成字符 * @date: 2022/2/12 21:49 * @param huffmanBytes 赫夫曼编码对应的byte数组 * @param huffmanCodes 赫夫曼编码表 * @return: void */ public static byte[] decode(Map<Byte, String> huffmanCodes, byte[] huffmanBytes) { //1. 先得到huffmancodebytes 对应的 二进制字符串，如 1010100010111 StringBuilder stringBuilder = new StringBuilder(); //将byte 数组转成二进制字符串 for (int i = 0; i < huffmanBytes.length; i++) { byte b = huffmanBytes[i]; boolean flag = (i == huffmanBytes.length - 1); stringBuilder.append(byteToBitString(!flag, b)); } //System.out.println("赫夫曼字节数组解码二进制=>" + stringBuilder.toString()); // 按照置顶的赫夫曼编码把字符串进行解码 // 把赫夫曼编码进行转换 a ->100 100->a Map<String, Byte> map = new HashMap<>(); for (Map.Entry<Byte, String> stringByteEntry : huffmanCodes.entrySet()) { map.put(stringByteEntry.getValue(), stringByteEntry.getKey()); } //创建一个集合 里面存放byte List<Byte> list = new ArrayList<>(); // i可以理解成为索引，扫描stringbuilder for (int i = 0; i < stringBuilder.length(); ) { //得到编码的计数器 int count = 1; boolean flag = true; Byte b = null; while (flag) { //取出一个 ‘1’或者‘0’,i不动 让 count移动直到匹配到一个字符,递增取出 String key = stringBuilder.substring(i, i + count); b = map.get(key); if (b == null) { // 说明没有匹配到 count++; } else { //匹配到就退出循环 flag = false; } } list.add(b); //匹配到之后 i 直接移动步长为count位，就可以继续匹配了， i += count; } //当for循环结束后我们的list存放了所有的字符 // 之后把list 中的数据放入byte[]并且返回 byte[] b = new byte[list.size()]; for (int i = 0; i < b.length; i++) { b[i] = list.get(i); } return b; }
最佳实践-文件压缩
我们学习了通过赫夫曼编码对一个字符串进行编码和解码, 下面我们来完成对文件的压缩和解压， 具体要求：
给你一个图片文件，要求对其进行无损压缩, 看看压缩效果如何。
思路：读取文件-> 得到赫夫曼编码表 -> 完成压缩
/** * @author 冷环渊 Doomwatcher * @context: 编写方法 完成对压缩文件的解压 * @date: 2022/2/13 0:33 * @param zipFile 准备解压的文件路径 * @param dstFile 将文件解压到什么路径 * @return: void */ public static void unZipFile(String zipFile, String dstFile) { //定义文件输入流 InputStream is = null; //定义对象输入流 ObjectInputStream ois = null; //输出流 OutputStream os = null; try { // 创建文件输入流 is = new FileInputStream(zipFile); // 创建对象输入流 ois = new ObjectInputStream(is); byte[] huffmanbytes = (byte[]) ois.readObject(); // 读取赫夫曼编码表 Map<Byte, String> huffmanCodes = (Map<Byte, String>) ois.readObject(); // 解码 byte[] bytes = decode(huffmanCodes, huffmanbytes); //将byte 数组写入目标文件 os = new FileOutputStream(dstFile); // 写数据到fstFile文件 os.write(bytes); } catch (Exception e) { e.printStackTrace(); } finally { try { os.close(); ois.close(); is.close(); } catch (IOException e) { e.printStackTrace(); } } }
最佳实践-文件解压(文件恢复)
具体要求：将前面压缩的文件，重新恢复成原来的文件。
思路：读取压缩文件(数据和赫夫曼编码表)-> 完成解压(文件恢复)
/** * @author 冷环渊 Doomwatcher * @context: 编写方法 完成对压缩文件的解压 * @date: 2022/2/13 0:33 * @param zipFile 准备解压的文件路径 * @param dstFile 将文件解压到什么路径 * @return: void */ public static void unZipFile(String zipFile, String dstFile) { //定义文件输入流 InputStream is = null; //定义对象输入流 ObjectInputStream ois = null; //输出流 OutputStream os = null; try { // 创建文件输入流 is = new FileInputStream(zipFile); // 创建对象输入流 ois = new ObjectInputStream(is); byte[] huffmanbytes = (byte[]) ois.readObject(); // 读取赫夫曼编码表 Map<Byte, String> huffmanCodes = (Map<Byte, String>) ois.readObject(); // 解码 byte[] bytes = decode(huffmanCodes, huffmanbytes); //将byte 数组写入目标文件 os = new FileOutputStream(dstFile); // 写数据到fstFile文件 os.write(bytes); } catch (Exception e) { e.printStackTrace(); } finally { try { os.close(); ois.close(); is.close(); } catch (IOException e) { e.printStackTrace(); } } }
代码汇总
package com.hyc.DataStructure.huffmanCode; import java.io.*; import java.util.*; /** * @projectName: DataStructure * @package: com.hyc.DataStructure.huffmanCode * @className: huffmanCodeDemo * @author: 冷环渊 doomwatcher * @description: TODO * @date: 2022/2/9 19:06 * @version: 1.0 */ public class huffmanCodeDemo { public static void main(String[] args) { // 压缩文件测试 // String srcfile = "D:\\JavaEngineer\\algorithm\\code\\DataStructure\\src.bmp"; // String dstfile = "D:\\JavaEngineer\\algorithm\\code\\DataStructure\\srcdst.zip"; // zipFile(srcfile, dstfile); // 解压文件测试 String zipfile = "D:\\\\JavaEngineer\\\\algorithm\\\\code\\\\DataStructure\\\\srcdst.zip"; String dstFile = "D:\\\\JavaEngineer\\\\algorithm\\\\code\\\\DataStructure\\\\src1.bmp"; unZipFile(zipfile, dstFile); /* String content = "i like like like java do you like a java"; byte[] contentbytes = content.getBytes(); System.out.println("压缩之前的长度 =>" + contentbytes.length); // 40 byte[] huffmanCodesBytes = huffmanZip(contentbytes); System.out.println("压缩之后的长度 =>" + huffmanCodesBytes.length); byte[] decode = decode(huffmanCodes, huffmanCodesBytes); System.out.println("输出解码之后的字符串" + new String(decode));*/ } /** * @author 冷环渊 Doomwatcher * @context: 编写方法 完成对压缩文件的解压 * @date: 2022/2/13 0:33 * @param zipFile 准备解压的文件路径 * @param dstFile 将文件解压到什么路径 * @return: void */ public static void unZipFile(String zipFile, String dstFile) { //定义文件输入流 InputStream is = null; //定义对象输入流 ObjectInputStream ois = null; //输出流 OutputStream os = null; try { // 创建文件输入流 is = new FileInputStream(zipFile); // 创建对象输入流 ois = new ObjectInputStream(is); byte[] huffmanbytes = (byte[]) ois.readObject(); // 读取赫夫曼编码表 Map<Byte, String> huffmanCodes = (Map<Byte, String>) ois.readObject(); // 解码 byte[] bytes = decode(huffmanCodes, huffmanbytes); //将byte 数组写入目标文件 os = new FileOutputStream(dstFile); // 写数据到fstFile文件 os.write(bytes); } catch (Exception e) { e.printStackTrace(); } finally { try { os.close(); ois.close(); is.close(); } catch (IOException e) { e.printStackTrace(); } } } /** * @author 冷环渊 Doomwatcher * @context: 文件压缩 * @date: 2022/2/13 0:17 * @param srcFile 传入的希望压缩的文件的全路径 * @param dstFile 压缩之后需要输出的文件路径 * @return: void */ public static void zipFile(String srcFile, String dstFile) { // 创建文件输出流 // 创建文件输入流 FileInputStream is = null; FileOutputStream os = null; ObjectOutputStream oos = null; try { is = new FileInputStream(srcFile); // 创建一个和源文件大小一样的byte数组 当做缓冲区 byte[] bytes = new byte[is.available()]; // 读取文件 is.read(bytes); //获取到文件对应的赫夫曼编码 byte[] huffmanBytes = huffmanZip(bytes); // 创建文件的输出流，存放压缩文件 os = new FileOutputStream(dstFile); // 创建一个和文件输出流关联的objoutputstream oos = new ObjectOutputStream(os); //把赫夫曼编码后的字节数组写入压缩文件 oos.writeObject(huffmanBytes); //这里我们用对象流的方式写入赫夫曼编码，目的是为了回复文件的时候使用 oos.writeObject(huffmanCodes); } catch (Exception e) { e.printStackTrace(); } finally { try { is.close(); os.close(); oos.close(); } catch (IOException e) { e.printStackTrace(); } } } /** * @author 冷环渊 Doomwatcher * @context: 完成对数据的解压 * 思路： * 1. 其实这就是我们之前压缩思路的逆向， * 2.我们先需要将 byte数组形式的转成二进制的心态， * 3. 之后转成赫夫曼编码，之后转换成字符 * @date: 2022/2/12 21:49 * @param huffmanBytes 赫夫曼编码对应的byte数组 * @param huffmanCodes 赫夫曼编码表 * @return: void */ public static byte[] decode(Map<Byte, String> huffmanCodes, byte[] huffmanBytes) { //1. 先得到huffmancodebytes 对应的 二进制字符串，如 1010100010111 StringBuilder stringBuilder = new StringBuilder(); //将byte 数组转成二进制字符串 for (int i = 0; i < huffmanBytes.length; i++) { byte b = huffmanBytes[i]; boolean flag = (i == huffmanBytes.length - 1); stringBuilder.append(byteToBitString(!flag, b)); } //System.out.println("赫夫曼字节数组解码二进制=>" + stringBuilder.toString()); // 按照置顶的赫夫曼编码把字符串进行解码 // 把赫夫曼编码进行转换 a ->100 100->a Map<String, Byte> map = new HashMap<>(); for (Map.Entry<Byte, String> stringByteEntry : huffmanCodes.entrySet()) { map.put(stringByteEntry.getValue(), stringByteEntry.getKey()); } //创建一个集合 里面存放byte List<Byte> list = new ArrayList<>(); // i可以理解成为索引，扫描stringbuilder for (int i = 0; i < stringBuilder.length(); ) { //得到编码的计数器 int count = 1; boolean flag = true; Byte b = null; while (flag) { //取出一个 ‘1’或者‘0’,i不动 让 count移动直到匹配到一个字符,递增取出 String key = stringBuilder.substring(i, i + count); b = map.get(key); if (b == null) { // 说明没有匹配到 count++; } else { //匹配到就退出循环 flag = false; } } list.add(b); //匹配到之后 i 直接移动步长为count位，就可以继续匹配了， i += count; } //当for循环结束后我们的list存放了所有的字符 // 之后把list 中的数据放入byte[]并且返回 byte[] b = new byte[list.size()]; for (int i = 0; i < b.length; i++) { b[i] = list.get(i); } return b; } /** * @author 冷环渊 Doomwatcher * @context: 将一个byte 转成 一个二进制的字符串 * @date: 2022/2/12 23:14 * @param flag 标志是否需要不高位，如果是ture 表示需要补高位，如果是false表示不需要 * @param b 传入的 byte * @return: java.lang.String 返回的b 对应的二进制的字符串（注意事按照补码返回） */ public static String byteToBitString(boolean flag, byte b) { //使用变量保存 b int temp = b; //如果是正数我们还需要补高位 if (flag) { //按位与 256 1 0000 0000| 00000 0001 => 1 0000 0001 temp |= 256; } String str = Integer.toBinaryString(temp); if (flag) { return str.substring(str.length() - 8); } else { return str; } } /** * * @author 冷环渊 Doomwatcher * @context: 封装 赫夫曼编码压缩 * @date: 2022/2/12 20:12 * @param bytes * @return: byte[] */ public static byte[] huffmanZip(byte[] bytes) { List<Node> nodes = getNodes(bytes); Node huffManTreeroot = createHuffManTree(nodes); Map<Byte, String> codes = getCodes(huffManTreeroot); byte[] huffmanCodeBytes = zip(bytes, codes); return huffmanCodeBytes; } /** * @author 冷环渊 Doomwatcher * @context: 编写一个方法，将字符串转成对应的 Byte[] 数组，通过生成的哈夫曼编码表，返回一个赫夫曼编码压缩后的Byte[] * 举例子： string content = i like like like java do you like java * 返回的字符串应该是一大串 八位的byte * 比如 huffmanCodeBytes[0] = 10101000(补码) => byte[推导 推成反码 10101000 -1 => 10100111（反码）] 原码就是符号位不变，其他取反 [11011000] * @date: 2022/2/12 15:35 * @param bytes 原始字符串对应的byte * @param huffmanCodes 生成赫夫曼编码的map * @return: java.lang.Byte[] */ public static byte[] zip(byte[] bytes, Map<Byte, String> huffmanCodes) { // 首先利用 huffmanCode是将 bytes 转成赫夫曼编码的字符串 StringBuilder stringBuilder = new StringBuilder(); for (byte b : bytes) { stringBuilder.append(huffmanCodes.get(b)); } //System.out.println(stringBuilder); // 将对应的字符串 转成 byte[]数组 // 返回 数组 huffmancodeBytes的长度 int len; if (stringBuilder.length() % 8 == 0) { len = stringBuilder.length() / 8; } else { len = stringBuilder.length() / 8 + 1; } // 创建存储压缩后的byte数组 byte[] huffmanCodeBytes = new byte[len]; int index = 0; for (int i = 0; i < stringBuilder.length(); i += 8) { String strByte; if (i + 8 > stringBuilder.length()) { // 进入这里代表后面的最后一位数 不够八位了 strByte = stringBuilder.substring(i); } else { strByte = stringBuilder.substring(i, i + 8); } huffmanCodeBytes[index] = (byte) Integer.parseInt(strByte, 2); index++; } return huffmanCodeBytes; } /* 生成赫夫曼树对应的赫夫曼编码 * 思路 ： * 1. 将赫夫曼编码存放在map<byte,string>的形式的map里 * 2。在生成赫夫曼编码表示，需要去拼接一些路径 定一个一个 stringbuilder 存放叶子节点的路径 * */ static Map<Byte, String> huffmanCodes = new HashMap<>(); //存放叶子节点的路径的 stringbuilder static StringBuilder stringBuilder = new StringBuilder(); //为了调用方便 重载getcode public static Map<Byte, String> getCodes(Node root) { if (root == null) { return null; } // 处理左子树 getCodes(root.left, "0", stringBuilder); //处理右子树 getCodes(root.right, "1", stringBuilder); return huffmanCodes; } /** * @author 冷环渊 Doomwatcher * @context: 将传入的node节点的所有子节点的赫夫曼编码得到，并且放入huffmanCodes集合中 * @date: 2022/2/12 15:07 * @return: void * @param node 传入的节点 * @param code 路径，左子节点是 0 右子节点事 1 * @param stringBuilder 用于拼接路径 */ public static void getCodes(Node node, String code, StringBuilder stringBuilder) { StringBuilder stringBuilder1 = new StringBuilder(stringBuilder); //将code 加入到 string builder1 stringBuilder1.append(code); if (node != null) { // 如果为null 不处理 //判断是否为叶子结点 if (node.data == null) { //如果data不为空那么代表非叶子节点 // 向左继续递归 getCodes(node.left, "0", stringBuilder1); // 向右边递归 getCodes(node.right, "1", stringBuilder1); } else { //如果进入到这里说明是一个叶子结点 // 存入到 huffmanCodes这个集合中 huffmanCodes.put(node.data, stringBuilder1.toString()); } } } //前序遍历 public static void PreOrder(Node node) { if (node != null) { node.PreOrder(); } else { System.out.println("空树无法遍历"); } } /** * * @author 冷环渊 Doomwatcher * @context: 用来生成每一个节点的出现次数的list集合 * @date: 2022/2/10 2:40 * @param bytes 存放每一个字母的数组 * @return: java.util.List<com.hyc.DataStructure.huffmanCode.Node> 返回一个带着字母出现权重的list */ public static List<Node> getNodes(byte[] bytes) { // 创建一个 arraylist ArrayList<Node> nodes = new ArrayList<>(); // 遍历bytes 统计每一个bytes 出现的次数 用 map 来统计 Map<Byte, Integer> counts = new HashMap<>(); for (byte b : bytes) { Integer count = counts.get(b); if (count == null) { // map 还没有这个字符 证明是第一次 counts.put(b, 1); } else { // 进入到这里说明之前有加入过了 counts.put(b, count + 1); } } //把每个键值对转换成一个 Node 对象 并且进入到Nodes集合 //遍历map for (Map.Entry<Byte, Integer> entry : counts.entrySet()) { nodes.add(new Node(entry.getKey(), entry.getValue())); } return nodes; } public static Node createHuffManTree(List<Node> nodes) { while (nodes.size() > 1) { //首先从小到大排序 list Collections.sort(nodes); // 找到list中最小的子树 Node leftnode = nodes.get(0); //找到倒数第二小的 Node rightnode = nodes.get(1); Node parent = new Node(null, leftnode.wight + rightnode.wight); parent.left = leftnode; parent.right = rightnode; // 删除两个被处理过的子树 nodes.remove(leftnode); nodes.remove(rightnode); // 之后将parent 加入到list // 这样遍历到最后只剩下一个节点 就是我们需要的赫夫曼树 nodes.add(parent); } return nodes.get(0); } } class Node implements Comparable<Node> { //用于存放字符的ascll值 Byte data; //出现的次数 权重 int wight; Node left; Node right; public Node(Byte data, int wight) { this.data = data; this.wight = wight; } @Override public String toString() { return "Node{" + "data=" + data + ", wight=" + wight + '}'; } // 前序遍历 public void PreOrder() { System.out.println(this); if (this.left != null) { this.left.PreOrder(); } if (this.right != null) { this.right.PreOrder(); } } @Override public int compareTo(Node o) { return this.wight - o.wight; } }
赫夫曼编码压缩文件注意事项
如果文件本身就是经过压缩处理的，那么使用赫夫曼编码再压缩效率不会有明显变化, 比如视频,ppt 等等文件 [举例压一个 .ppt]
赫夫曼编码是按字节来处理的，因此可以处理所有的文件(二进制文件、文本文件) [举例压一个.xml 文件]
如果一个文件中的内容，重复的数据不多，压缩效果也不会很明显.
