第9章 优先队列.ppt

文本压缩 问题提出 文本信息是一种基本数据类型 需要找到存储文本信息以及有效地在计算机之间传递它们的方法 常用方法 关键字编码 行程长度编码 赫夫曼编码 第*页 关键字编码 基本思想 在文本中有一些常见词汇 the，and，which，that，what 如果这些单词占用更少的空间，文档就会减小 即使每个单词节省的空间有限，但是整个文档节省的总空间仍可能非常可观 定义 用单个字符代替常用的单词 第*页 编码实例 第*页 单词 符号 as ^ the ~ and + that $ must well % these # 文本段落 The human body is composed of many independent systems, such as the circulatory system, the respiratory system, and the reproductive system. Not only must all systems work independently, they must interact and cooperate as well. Overall health is a function of the well-being of separate systems, as well as how these separate systems work in concert. 共有字符352个 第*页 编码后段落 The human body is composed of many independent systems, such ^ ~ circulatory system, ~ respiratory system, + ~ reproductive system. Not only all systems work independently, they interact + cooperate ^ %. Overall health is a function of ~ %-being of separate systems, ^ % ^ how # separate systems work in concert. 共有字符317个，节省字符35个 压缩率=(317/352)*100%≈90.1% 第*页 行程长度编码 定义 迭代编码 把一系列重复字符替换为它们重复出现的次数 常用于一些大规模数据流中 编码规则 重复字符的序列用标志字符，后面加重复字符和说明字符重复次数的数字替换 AAAAAAA *A7 第*页 解码规则 标志字符说明这三个字符的序列应该被解码为相应的重复字符串，其他文本则按照常规处理 *n5*x9ccc*h6 some other text *k8eee nnnnnxxxxxxxxxccchhhhhh some other text kkkkkkkkeee 原始文本字符51个，编码串字符35个，节省16个 压缩率=(35/51)*100%≈68.6% 第*页 H2.霍夫曼编码 Huffman code：一种文本压缩算法 考虑字符的出现频率进行编码 4个字符a,u,x,z组成的文本 每个字符一个字节：1000字节，8000位 每个字符两位(a:00, x:01, u:10, z:11)：2000位 保存编码表 符号个数, 代码1, 符号1, 代码2, 符号2, ...—48位 压缩比8000/2048=3.9 霍夫曼编码方法 aaxuaxz 码长两位：00000110000111，14位 a, x, u, z出现频率：3，2，1，1 可变长度编码：频率高的短码，低的长码 a:0, x:10, u:110, z:111 0010110010111，13位——稍好于原方法 若1000个字符，频率：996, 2, 1, 1——等长编码2000位，变长编码1006位 解码方法 如何解码？ 任何一个编码都不是其他编码的前缀 00010100100101 检测最长匹配前缀即可 a 0 x 00 u 01 z 001 算法 扩充二叉树 外部节点——符号，边——左标0，右标1 根?外部节点路径 编码后长度 2*F(a)+ 3*F(b)+3*F(c)+3*F(d)+3*F(e)+ 2*F(f) 算法（续） 扩充二叉树外部节点1, 2, ..., n，则压缩码长度为： L(i)：外部节点i的路径长度 WEP：加权外部路径长度 霍夫曼树：最短压缩码?WEP最小 算法（续） 霍夫曼编码方法 获取不同字符的频率 构造霍夫曼树 遍历根到外部节点路径?每个字符编码 用编码替换文本中的字符 构造霍夫曼树 初始：单节点二叉树集合树的权重