数据压缩
introduction
压缩数据可以节省存储数据需要的空间和传输数据需要的时间，虽然摩尔定律说集成芯片上的晶体管每 18-24 个月翻一倍，帕金森定律说数据会自己拓展来填满可用空间，但数据压缩还是最经济的做法。
数据压缩的基本模型如下，很简单，压缩和解压，压缩率即 C(B) 和 B 的比特数之比。
数据压缩的对象本质上是二进制文件，抽象层次是比特流，所以有必要贴下课程里怎么读写二进制文件。
大多数系统的输入输出系统，像 Java，是基于 8 位的字节流，上面输入的数据可以不用和字节边界对齐。
输出的 colse() 方法会在比特流的最后一个字节用 0 补齐，以保证和文件系统的兼容性。
这是一个数据压缩的简单例子，用三种不同方式来表示日期 12/31/1990。第一种把日期当做字符串，每位用一个字节的字符类型表示，需要 80 位。第二种用三个 int 类型，需要 96 位。第三种的编码是变长的，像月份只要 4 位就能编码，而且最后补了 3 个 0 来兼容字节流，总计 24 位。这是最粗糙的数据压缩方式。
转储（dump）表示的是比特流的一种可供人类阅读的形式，用于帮助我们在调试的时候检查比特流或者字节流的内容。下图是一些例子：BinaryDump 将比特流按 0 和 1 输出来；HexDump 将比特流组织成 8 位并用两位的 16 进制数表示；PictureDump 则将比特流变为 Picture 对象，其中白色像素表示 0，黑色像素表示 1。
最后我们需要认识到一点：通用数据压缩算法是不存在的。这其实也很好理解，要是存在这样的算法，那意味着我们可以再对压缩文件进行压缩，循环往复到文件大小为零，显然是不合理的。
run-length Coding
比特流中最简单的冗余就是一长串重复的比特，游程编码（run-length coding）就利用这冗余来压缩数据。例子：
原理也很简单，就是统计重复的个数，直接记总数而不是全部写出来。上图的例子中用了 4 位计数，下面的代码里用了 8 位，最多能计到 255。要是有 300 个 1，计满 255 后再插入 8 位 0，表示有 0 个 0，然后再继续计剩下的 45 位就好。代码：
public class RunLength {
private final static int R = 256; // maximum run-length conut
private final static int lgR = 8; // number of bits per conut
public static void compress() {
char cnt = 0;
boolean b, old = false;
while (!BinaryStdIn.isEmpty()) {
b = BinaryStdIn.readBoolean();
if (b != old) {
BinaryStdOut.write(cnt);
cnt = 0;
old = !old;
} else {
if (cnt == 255) {
BinaryStdOut.write(cnt);
cnt = 0;
BinaryStdOut.write(cnt);
}
}
cnt++;
}
BinaryStdOut.write(cnt);
BinaryStdOut.close();
}
public static void expand() {
boolean bit = false;
while (!BinaryStdIn.isEmpty()) {
int run = BinaryStdIn.readInt(lgR); // read 8-bit conut from standard input
for (int i = 0; i < run; i++)
BinaryStdOut.write(bit); // write 1 bit to standard output
bit = !bit;
}
BinaryStdOut.close(); // pad 0s for byte alignment
}
}
这种策略对实际应用中经常出现的几种比特流十分有效，游程编码的一个应用是压缩位图（bitmap），位图被广泛用于保存图片和扫描文档。简单起见，我们将二进制位图数据组织为将像素按行排列的比特流。可以看到，右边压缩后的比特流显然小了很多。
游程编码不适用于含有大量短游程的输入，而不是所有我们希望压缩的比特流都含有较长的游程，所以下面来介绍两种适用于多种类型的文件压缩算法。
Huffman Compression
哈夫曼压缩和第一个年月日的例子一样，都采取变长编码，哈夫曼的原理就是用较短的编码来表示频率较高的字符，从而达到节省空间的目的。而变长编码存在多义性（ambiguity）的问题，用摩斯密码举例说明：
...---... 是最常用的摩斯密码，表示 SOS，但是从上表来看，也可以解读为 V7、IAMIE 和 EEWNI，所以实际上密码之间还有一定的间隙隔开，以避免错误的解读。
多义性的本质原因是有些字符的编码是其它字符编码的前缀，所以才可能会有不同的解读。而有种特殊的变长编码——前缀码（prefix-free code），字符编码肯定不是其它字符编码的前缀，也就不存在多义性的问题。
前缀码可以很自然地用 Trie 来表示，被编码的字符都在叶子结点上，也就没有谁是谁的前缀。同时，也可以发现前缀码不是唯一的，那也就存在一个最优的前缀码，使得压缩后的比特流最短。
Trie Node
private static class Node implements Comparable<Node> {
private final char ch; // used only for leaf nodes
private final int freq; // used only for compress
private final Node left, right;
public Node(char ch, int freq, Node left, Node right) {
this.ch = ch;
this.freq = freq;
this.left = left;
this.right = right;
}
private boolean isLeaf() {
return left == null && right == null;
}
public int compareTo(Node that) {
return this.freq - that.freq;
}
}
字符出现频率在下面生成最优前缀码的时候会用到。
用 Trie 表示的前缀码对文件进行压缩后，还要把 Tire 附上，解压（展开，expand）时才知道怎么做。所以得把 Trie 写入比特流，解压时再从比特流中读出来，这边按前序遍历的顺序来读写。
到叶子结点都会先输出个 true（比特 1），内部结点则是 0，为读做了记号的感觉。当压缩文件很大时，附在开头的 Trie 相对就会显得很小，没有什么关系。
在比特流中碰到 1，说明接下来 8 比特是叶子结点的字符，于是读入 8 位。
现在，我们大概知道了要用 Trie 来压缩，以及怎么传输 Trie 好用于解压，关键的如何构造 Trie 还没说，特别得是构造最优前缀码的 Trie。实际上，哈夫曼的做法很好描述：首先你要知道字符出现的频率，然后每次挑两个最小的加起来，加起来的值再和原来的那些一起重复挑两个最小的加起来，从下往上接成 Trie。
Constructing Huffman Trie
private static Node buildTrie(int[] freq) {
MinPQ<Node> pq = new MinPQ<Node>();
for (char i = 0; i < R; i++)
if (freq[i] > 0)
pq.insert(New Node(i, freq[i], null, null));
// merge two smallest tries
while (pq.size() > 1) {
Node x = pq.delMin();
Node y = pq.delMin();
Node parent = new Node('\0', x.freq + y.freq, x, y);
pq.insert(parent);
}
return pa.delMin();
}
Optimal
首先，需要个标准来判断各前缀码优劣。有个概念叫 Trie 的 加权外部路径长度，等于所有叶子结点的频率和其深度的乘积总和，也就是压缩后字符集的长度。最优前缀码 Trie T 的加权外部路径长度最小，记为 \(B(T)\)。
证明： 对规模为 n （不小于 2）的字符集（至少两个不同字符），哈夫曼算法可以构造出一个最优的前缀码 Trie。
当 n = 2 时，两个字符只能分别用 0 和 1 表示，显然成立。
假设哈夫曼算法对规模为 K（大于 2）的字符集能构造出一个最优前缀码 Trie。
现在考虑规模为 K + 1 的字符集 \(C = \{x_{1}, x_{2},...,x_{k + 1}\}\)，其中 \(x_{1}, x_{2} \in C\) 是频率最小的两个字符。
令 \(C^{'} = (C - \{x_{1}, x_{2}\}) \cup \{z\}\)，其中 \(f_{z} = f_{x_{1}} + f_{x_{2}}\)（\(f_{x}\) 为字符 x 出现的频率）。
根据假设，哈夫曼算法可以构造出规模为 K 的字符集 \(C^{'}\) 的一个最优前缀码 Trie，不妨记做 \(T^{'}\)。对 \(T^{'}\) 中表示 \(z\) 的叶子结点添加两个孩子 \(x_{1}\) 和 \(x_{2}\) 得到的新 Trie 记做 \(T\)（相当于直接对 \(C\) 用哈夫曼构造出来的）。
用反证法证明 \(T\) 就是字符集 \(C\) 的一个最优前缀码 Trie，为此需要先了解下面两个引理。
\(B(T^{'}) = B(T) - (d + 1)(f_{x_{1}} + f_{x_{2}}) + d(f_{x_{1}} + f_{x_{2}}) = B(T) - (f_{x_{1}} + f_{x_{2}})\)（d 为深度）。
存在 \(C\) 的一个最优前缀码 Trie，\(x_{1}\) 和 \(x_{2}\) 是最深叶子且为兄弟。这个不难证明，稍作计算就可以发现把 \({x_{1}}, x_{2}\) 和最深兄弟叶子结点交换不会增加加权外部路径长度。所以只要有一个最优，就能交换成上面的形式，也就肯定存在。
假设字符集 \(C\) 存在着更优的 \(T^{*}\)，即有 \(B(T^{*}) < B(T)\)。且根据引理二，不妨认为 \(T^{*}\) 即为 \({x_{1}}, x_{2}\) 是最深兄弟叶子结点的形式。从这样的 \(T^{*}\) 里，类似地去掉 \({x_{1}}, x_{2}\) 得到 \(T^{*'}\)。由引理一有：
\(B(T^{*'}) = B(T^{*}) - (f_{x_{1}} + f_{x_{2}}) < B(T) - (f_{x_{1}} + f_{x_{2}}) = B(T^{'})\)
和 \(T^{'}\) 是字符集 \(C^{'}\) 的最优前缀码 Trie 矛盾，故 \(T\) 是字符集 \(C\) 的最优前缀码 Trie。
所以哈夫曼构造了规模为 K + 1 的字符集 C 的最优前缀码 Trie T，归纳得证。
参考链接：点我。
LZW-compression
LZW 压缩算法是自适应性的（adaptive）模型，在读入文本的时候学习并更新模型，不需要将模型附在比特流中用于解压，但解压的时候只能从文本开头开始。
算法原理并不复杂，直接来看压缩和展开的例子。
Compression Example
压缩可以概括成这几个步骤：
- 创建符号表，键为字符串，值为字符串对应的定长编码。
- 初始化符号表，加入单个字符的键值对。
- 在符号表键中找文本未扫描部分的最长前缀 s，输出 s 对应的值（编码）。
- 预读文本下一个字符 c，更新符号表，新键为字符串 s + c。
- 重复上两步直到文本结束。
例图中编码长度为 8 位，用两位 16 进制表示，单字符编码即 7 位标准 ASCII 中的值，像 A 是 41（0100 0001）。编码 80 保留为表示文本结束，新键 s + c 的编码从 81 开始。
文本未扫描部分在符号表键中最长前缀，一开始是 A，于是编码成 41，接着预读下一位 B，往符号表中加入新键值对 (AB, 81)；下一个最长前缀是 B，编码 42，预读并加入新键值对 (BR, 82)；... 读完 D 之后，最长前缀为 AB，编码 81，预读并加入新键值对 (ABR, 88)；... 文本结束编码为 80。
最长前缀用 Trie 来获取，代码用了 TST：
public static void compress() {
// R 表示字符总数，例图是 0x80
// L 表示编码最大值，例图是 0xFF
// W 表示编码宽度，例图是 8 位
String input = BinaryStdIn.readString();
TST<Integer> st = new TST<Integer>();
for (int i = 0; i < R; i++)
st.put("" + (char) i, i);
int code = R + 1; // 新键编码从 0x81 开始
while (input.lenght() > 0) {
String s = st.longestPrefixOf(input);
BinaryStdOut.write(st.get(s), W);
int t = s.length();
if (t < input.length() && code < L)
st.put(input.substring(0, t + 1), code++); // 更新符号表
input = input.substring(t);
}
BinaryStdOut.write(R, W); // 写上 0x80 表示文件结束
BinaryStdOut.close();
}
LZW 算法就是这样用定长的编码来表示越来越长的字符串来节省空间的，当编码都用完了，在例子中就是有字符串被编码为 FF 时，就全部丢掉重新开始，或是当不再有效时丢掉，这里不展开讨论。
Expand Example
展开和压缩类似，有下面几个步骤：
- 创建符号表，但这次编码为键，对应的字符串为值。
- 初始化符号表，加入单个字符的键值对。
- 从压缩文件读入 W 位的编码，输出编码对应的字符串。
- 预读下一个编码，得到下个字符，类似地更新符号表。
- 重复上两步直到读入结束编码。
例图即展开上面压缩形成的编码。
一开始读入 8 位编码 41，从符号表可知对应字符串 A，输出 A 后预读下一个编码 42，对应 B，于是往符号表中加入新键值对 (81, AB)；现在读到编码 42，输出 B 并预读 52 得到 R，所以加入 (82, BR) ... 直到读入编码 80，表示文件结束。
似乎展开和压缩差不多，甚至更简单，因为不需要找最长前缀，符号表直接用数组简单实现。但是，展开有时会碰到一个特殊的情况：
压缩字符串 ABABABA 编码成 41 42 81 83 80，现在对这编码进行展开。编码 41 输出 A，预读 42 后加入 (81, AB) 更新符号表；编码 42 输出 B，预读 81 知道下个字符是 A，加入 (82, BA)；编码 81 输出 AB，预读 83 卡住，因为符号表中还没有这个键。
但是，这种时候我们还是可以知道 AB 的下一个字符是什么的。假设 AB 后面的字符分别为 \(c_{1}\)，\(c_{2}\)，\(c_{3}\)，卡住的时候（更新要加入的编码和预读到的编码一样）肯定有 AB\(c_{1}\) = \(c_{1}c_{2}c_{3}\)，所以下个字符即 A，加入 (83, ABA) 即可。
代码：
public static void expand() {
int i; // 当前更新符号表要加入的编码
String[] st = new String[L];
for (i = 0; i < R; i++)
st[i] = "" + (char) i;
st[i++] = " "; // 例图中表示文件结束的 0x80
int codeword = BinaryStdIn.readInt(W);
String val = st[codeword];
while (true) {
BinaryStdOut.write(val);
codeword = BinaryStdIn.readInt(W); // 预读的编码
if (codeword == R) break;
String s = st[codeword];
if (i == codeword) // 要加入的编码和预读的编码相同
s = val + val.charAt(0);
if (i < L)
st[i++] = val + s.charAt(0);
val = s;
}
BinaryStdOut.close();
}
可以看到不用传输模型就能展开压缩的编码文件。