¿Cómo decodificar el código Huffman rápidamente?
https://stackoverflow.com/questions/2235208
-
19-09-2019 - |
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
RussianPregunta
yo he implementado un compresor sencillo usando código Huffman puro en Windows. Pero no sé mucho sobre cómo decodificar el archivo comprimido rápidamente, mi algoritmo incorrecto es:
Enumere todo el código de Huffman en la tabla de códigos y luego compárelo con los bits del archivo comprimido. El resultado es horrible: descomprimir un archivo de 3 MB necesitaría 6 horas.
¿Podría proporcionar un algoritmo mucho más eficiente? ¿Debería usar Hash o algo así?
Actualizar:yo he implementado el decodificador con tabla de estado, según el consejo de mi amigo Lin. Creo que este método debería ser mejor que el árbol transversal de Huffman, 3 MB en 6 segundos.
gracias.
Solución
Una forma de optimizar el enfoque árbol binario es el uso de una tabla de búsqueda. A organizar la mesa para que pueda buscar un patrón de bits codificada particular, directamente, teniendo en cuenta la posible bits anchura máxima de cualquier código.
Como la mayoría de los códigos no utilizan la anchura máxima completo, que se incluyen en varias ubicaciones en la mesa - una ubicación para cada combinación de los bits no utilizados. La tabla indica la cantidad de bits para descartar de la entrada, así como la salida decodificada.
Si el código más largo es demasiado largo, por lo que la tabla no es práctica, un compromiso es utilizar un árbol de las búsquedas de ancho-subíndice fijos más pequeños. Por ejemplo, se puede utilizar una tabla de 256 ítems para manejar un byte. Si el código de entrada es de más de 8 bits, la entrada de la tabla indica que la decodificación es incompleta y le dirige a una mesa que se encarga de las siguientes hasta a 8 bits. mesas más grandes comercio de memoria para la velocidad - 256 artículos es probablemente demasiado pequeña
.Creo que este enfoque general se llama "Prefijo de tablas", y es lo que BobMcGees código citado está haciendo. Una diferencia probable es que algunos algoritmos de compresión requieren el prefijo de tabla que se actualiza durante la descompresión - esto no es necesario para la sencilla Huffman. IIRC, vi por primera vez en un libro sobre los formatos de archivos gráficos de mapas de bits que incluyen GIF, algún tiempo antes de que el pánico patente.
Debe ser fácil precalcular ya sea una mesa llena de búsqueda, una tabla hash equivalente, o un árbol de la pequeña tablas a partir de un modelo de árbol binario. El árbol binario sigue siendo la representación de las claves del código -. Esta tabla de búsqueda es sólo optimización
Otros consejos
¿Por qué no echar un vistazo a cómo fuente GZIP ¿Lo hace, específicamente el código de descompresión de Huffman en específicamente unpack.c?Está haciendo exactamente lo que tú haces, excepto que lo hace mucho, mucho más rápido.
Por lo que puedo decir, utiliza una matriz de búsqueda y operaciones de desplazamiento/máscara que operan en palabras completas para ejecutarse más rápido.Sin embargo, un código bastante denso.
EDITAR:aquí está la fuente completa
/* unpack.c -- decompress files in pack format.
* Copyright (C) 1992-1993 Jean-loup Gailly
* This is free software; you can redistribute it and/or modify it under the
* terms of the GNU General Public License, see the file COPYING.
*/
#ifdef RCSID
static char rcsid[] = "$Id: unpack.c,v 1.4 1993/06/11 19:25:36 jloup Exp $";
#endif
#include "tailor.h"
#include "gzip.h"
#include "crypt.h"
#define MIN(a,b) ((a) <= (b) ? (a) : (b))
/* The arguments must not have side effects. */
#define MAX_BITLEN 25
/* Maximum length of Huffman codes. (Minor modifications to the code
* would be needed to support 32 bits codes, but pack never generates
* more than 24 bits anyway.)
*/
#define LITERALS 256
/* Number of literals, excluding the End of Block (EOB) code */
#define MAX_PEEK 12
/* Maximum number of 'peek' bits used to optimize traversal of the
* Huffman tree.
*/
local ulg orig_len; /* original uncompressed length */
local int max_len; /* maximum bit length of Huffman codes */
local uch literal[LITERALS];
/* The literal bytes present in the Huffman tree. The EOB code is not
* represented.
*/
local int lit_base[MAX_BITLEN+1];
/* All literals of a given bit length are contiguous in literal[] and
* have contiguous codes. literal[code+lit_base[len]] is the literal
* for a code of len bits.
*/
local int leaves [MAX_BITLEN+1]; /* Number of leaves for each bit length */
local int parents[MAX_BITLEN+1]; /* Number of parents for each bit length */
local int peek_bits; /* Number of peek bits currently used */
/* local uch prefix_len[1 << MAX_PEEK]; */
#define prefix_len outbuf
/* For each bit pattern b of peek_bits bits, prefix_len[b] is the length
* of the Huffman code starting with a prefix of b (upper bits), or 0
* if all codes of prefix b have more than peek_bits bits. It is not
* necessary to have a huge table (large MAX_PEEK) because most of the
* codes encountered in the input stream are short codes (by construction).
* So for most codes a single lookup will be necessary.
*/
#if (1<<MAX_PEEK) > OUTBUFSIZ
error cannot overlay prefix_len and outbuf
#endif
local ulg bitbuf;
/* Bits are added on the low part of bitbuf and read from the high part. */
local int valid; /* number of valid bits in bitbuf */
/* all bits above the last valid bit are always zero */
/* Set code to the next 'bits' input bits without skipping them. code
* must be the name of a simple variable and bits must not have side effects.
* IN assertions: bits <= 25 (so that we still have room for an extra byte
* when valid is only 24), and mask = (1<<bits)-1.
*/
#define look_bits(code,bits,mask) \
{ \
while (valid < (bits)) bitbuf = (bitbuf<<8) | (ulg)get_byte(), valid += 8; \
code = (bitbuf >> (valid-(bits))) & (mask); \
}
/* Skip the given number of bits (after having peeked at them): */
#define skip_bits(bits) (valid -= (bits))
#define clear_bitbuf() (valid = 0, bitbuf = 0)
/* Local functions */
local void read_tree OF((void));
local void build_tree OF((void));
/* ===========================================================================
* Read the Huffman tree.
*/
local void read_tree()
{
int len; /* bit length */
int base; /* base offset for a sequence of leaves */
int n;
/* Read the original input size, MSB first */
orig_len = 0;
for (n = 1; n <= 4; n++) orig_len = (orig_len << 8) | (ulg)get_byte();
max_len = (int)get_byte(); /* maximum bit length of Huffman codes */
if (max_len > MAX_BITLEN) {
error("invalid compressed data -- Huffman code > 32 bits");
}
/* Get the number of leaves at each bit length */
n = 0;
for (len = 1; len <= max_len; len++) {
leaves[len] = (int)get_byte();
n += leaves[len];
}
if (n > LITERALS) {
error("too many leaves in Huffman tree");
}
Trace((stderr, "orig_len %ld, max_len %d, leaves %d\n",
orig_len, max_len, n));
/* There are at least 2 and at most 256 leaves of length max_len.
* (Pack arbitrarily rejects empty files and files consisting of
* a single byte even repeated.) To fit the last leaf count in a
* byte, it is offset by 2. However, the last literal is the EOB
* code, and is not transmitted explicitly in the tree, so we must
* adjust here by one only.
*/
leaves[max_len]++;
/* Now read the leaves themselves */
base = 0;
for (len = 1; len <= max_len; len++) {
/* Remember where the literals of this length start in literal[] : */
lit_base[len] = base;
/* And read the literals: */
for (n = leaves[len]; n > 0; n--) {
literal[base++] = (uch)get_byte();
}
}
leaves[max_len]++; /* Now include the EOB code in the Huffman tree */
}
/* ===========================================================================
* Build the Huffman tree and the prefix table.
*/
local void build_tree()
{
int nodes = 0; /* number of nodes (parents+leaves) at current bit length */
int len; /* current bit length */
uch *prefixp; /* pointer in prefix_len */
for (len = max_len; len >= 1; len--) {
/* The number of parent nodes at this level is half the total
* number of nodes at parent level:
*/
nodes >>= 1;
parents[len] = nodes;
/* Update lit_base by the appropriate bias to skip the parent nodes
* (which are not represented in the literal array):
*/
lit_base[len] -= nodes;
/* Restore nodes to be parents+leaves: */
nodes += leaves[len];
}
/* Construct the prefix table, from shortest leaves to longest ones.
* The shortest code is all ones, so we start at the end of the table.
*/
peek_bits = MIN(max_len, MAX_PEEK);
prefixp = &prefix_len[1<<peek_bits];
for (len = 1; len <= peek_bits; len++) {
int prefixes = leaves[len] << (peek_bits-len); /* may be 0 */
while (prefixes--) *--prefixp = (uch)len;
}
/* The length of all other codes is unknown: */
while (prefixp > prefix_len) *--prefixp = 0;
}
/* ===========================================================================
* Unpack in to out. This routine does not support the old pack format
* with magic header \037\037.
*
* IN assertions: the buffer inbuf contains already the beginning of
* the compressed data, from offsets inptr to insize-1 included.
* The magic header has already been checked. The output buffer is cleared.
*/
int unpack(in, out)
int in, out; /* input and output file descriptors */
{
int len; /* Bit length of current code */
unsigned eob; /* End Of Block code */
register unsigned peek; /* lookahead bits */
unsigned peek_mask; /* Mask for peek_bits bits */
ifd = in;
ofd = out;
read_tree(); /* Read the Huffman tree */
build_tree(); /* Build the prefix table */
clear_bitbuf(); /* Initialize bit input */
peek_mask = (1<<peek_bits)-1;
/* The eob code is the largest code among all leaves of maximal length: */
eob = leaves[max_len]-1;
Trace((stderr, "eob %d %x\n", max_len, eob));
/* Decode the input data: */
for (;;) {
/* Since eob is the longest code and not shorter than max_len,
* we can peek at max_len bits without having the risk of reading
* beyond the end of file.
*/
look_bits(peek, peek_bits, peek_mask);
len = prefix_len[peek];
if (len > 0) {
peek >>= peek_bits - len; /* discard the extra bits */
} else {
/* Code of more than peek_bits bits, we must traverse the tree */
ulg mask = peek_mask;
len = peek_bits;
do {
len++, mask = (mask<<1)+1;
look_bits(peek, len, mask);
} while (peek < (unsigned)parents[len]);
/* loop as long as peek is a parent node */
}
/* At this point, peek is the next complete code, of len bits */
if (peek == eob && len == max_len) break; /* end of file? */
put_ubyte(literal[peek+lit_base[len]]);
Tracev((stderr,"%02d %04x %c\n", len, peek,
literal[peek+lit_base[len]]));
skip_bits(len);
} /* for (;;) */
flush_window();
Trace((stderr, "bytes_out %ld\n", bytes_out));
if (orig_len != (ulg)bytes_out) {
error("invalid compressed data--length error");
}
return OK;
}
La forma típica de descomprimir un código de Huffman está utilizando un árbol binario. Insertar sus códigos en el árbol, de modo que cada bit en un código representa una rama, ya sea hacia la izquierda (0) o la derecha (1), con bytes decodificados (o lo que usted tiene valores) en las hojas.
La decodificación es entonces sólo un caso de la lectura de bits del contenido codificado, recorrer el árbol para cada bit. Al llegar a una hoja, que emiten el valor decodificado, y sigue leyendo hasta que la entrada se ha agotado.
Actualización: esta página describe la técnica, y cuenta con gráficos de lujo.
Puede llevar a cabo una especie de búsqueda por lotes en la búsqueda de costumbre árbol Huffmann:
- La elección de una profundidad de bits (lo llaman profundidad n ); este es un compromiso entre la velocidad, la memoria y el tiempo de inversión para la construcción de tablas;
- Construir una tabla de consulta para todos los 2 ^ n cadenas de bits de longitud n . Cada entrada puede codificar varias fichas completas; También habrá comúnmente haber algunos trozos sobrantes que sólo son un prefijo de códigos de Huffman: para cada uno de ellos, hacer un enlace a una tabla de búsqueda más para ese código;
- Crear las tablas de consulta adicionales. El número total de mesas es a lo sumo uno menos que el número de entradas codificadas en el árbol Huffmann.
La elección de una profundidad que es un múltiplo de cuatro, por ejemplo, la profundidad 8, es un buen ajuste para las operaciones de desplazamiento de bits.
Postscript Esto difiere de la idea en el comentario de potatoswatter sobre la respuesta de desenredo y de la respuesta de Steve314 en el uso de varias tablas: esto significa que todos los n bit de consulta se pone a utilizar, por lo que debería ser más rápido, pero hace que la construcción de mesa y las operaciones de búsqueda significativamente más difícil y consumirá mucho más espacio para una determinada profundidad.
¿Por qué no usar el algoritmo de descompresión en el mismo módulo fuente? Parece ser un algoritmo decente.
