2018-04-02 17:39:53 +00:00
|
|
|
|
#include <cstdint>
|
|
|
|
|
#include <cstdlib>
|
2018-03-21 00:22:05 +00:00
|
|
|
|
#include <cstdio>
|
|
|
|
|
#include <fstream>
|
2018-03-20 20:41:46 +00:00
|
|
|
|
#include <iostream>
|
2018-03-21 00:22:05 +00:00
|
|
|
|
#include <map>
|
|
|
|
|
#include <streambuf>
|
|
|
|
|
#include <string>
|
2018-04-02 17:39:53 +00:00
|
|
|
|
#include <vector>
|
2018-03-20 20:41:46 +00:00
|
|
|
|
|
2018-03-21 00:22:05 +00:00
|
|
|
|
#ifdef Debug
|
|
|
|
|
#define pdeb printf
|
|
|
|
|
#else
|
|
|
|
|
#define pdeb \
|
|
|
|
|
if (0) \
|
|
|
|
|
printf
|
|
|
|
|
#endif
|
|
|
|
|
|
|
|
|
|
using std::printf;
|
|
|
|
|
using std::puts;
|
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
// custom types ///////////////////////////////////////////////////////////////
|
|
|
|
|
|
|
|
|
|
/*
|
|
|
|
|
Dictionnaire :
|
|
|
|
|
<
|
|
|
|
|
<
|
|
|
|
|
numéro chaine précédente,
|
|
|
|
|
caractère ASCII
|
|
|
|
|
>
|
|
|
|
|
numéro chaine courante
|
|
|
|
|
>
|
|
|
|
|
*/
|
|
|
|
|
using dic_t = std::map<std::pair<uint32_t, uint8_t>, uint32_t>;
|
|
|
|
|
using ustring = std::basic_string<uint8_t>; // chaine non encodée
|
|
|
|
|
using uvec = std::vector<uint32_t>; // chaine encodée
|
|
|
|
|
|
|
|
|
|
size_t size_str(dic_t &dict, uint32_t nr_chaine) {
|
|
|
|
|
for(const auto &[key, value] : dict) {
|
|
|
|
|
if(value == nr_chaine) {
|
2018-04-03 14:55:25 +00:00
|
|
|
|
if(std::get<0>(key) == 0xFFFFFFFF)
|
2018-04-02 17:39:53 +00:00
|
|
|
|
return 1;
|
2018-04-03 14:55:25 +00:00
|
|
|
|
return 1 + size_str(dict, std::get<0>(key));
|
2018-04-02 17:39:53 +00:00
|
|
|
|
}
|
|
|
|
|
}
|
|
|
|
|
return 0;
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
/**
|
|
|
|
|
* \brief Recherche ou ajout de chaine dans le dictionnaire
|
|
|
|
|
*
|
|
|
|
|
* Cette fonction a pour double usage la recherche d’une chaine de caractères
|
|
|
|
|
* dans le dictionnaire, ou bien l’ajout d’une nouvelle chaîne si celle-ci n’est
|
|
|
|
|
* pas déjà présente. Une chaine de caractères est représentée par un couple
|
|
|
|
|
* numéro de chaine / caractère, le numéro de chaine renvoyant au caractère
|
|
|
|
|
* précédent (soit son code ASCII, soit son indice dans le dictionnaire) et le
|
|
|
|
|
* caractère se référant au dernier caractère de la chaine courante. Si le
|
|
|
|
|
* numéro de chaine est -1, alors il s’agit du premier caractère de la chaine,
|
|
|
|
|
* et la valeur renvoyée sera la valeur ASCII du caractère. La fonction renvoie
|
|
|
|
|
* une paire bool/uint16_t, la valeur booléene indiquant si une nouvelle fut
|
|
|
|
|
* ajoutée dans le dictionnaire ou non, et le uint16_t indiquant la valeur
|
|
|
|
|
* numérique de la chaîne dans le dictionnaire.
|
|
|
|
|
*
|
|
|
|
|
* \param dictionary Dictionnaire
|
|
|
|
|
* \param nr_chaine Numéro de la chaine précédant le caractères \p c dans \p dictionary
|
|
|
|
|
* \param c Caractère suivant la chaine de caractères \p nr_chaine
|
|
|
|
|
* \return std::pair<bool, uint16_t>
|
|
|
|
|
*/
|
|
|
|
|
std::pair<bool, uint32_t> dico(dic_t &dictionary, uint32_t nr_chaine, uint8_t c) {
|
|
|
|
|
if (nr_chaine == 0xFFFFFFFF)
|
2018-03-21 00:22:05 +00:00
|
|
|
|
return std::make_pair(true, c);
|
|
|
|
|
auto &e = dictionary[std::make_pair(nr_chaine, c)];
|
|
|
|
|
return (e) ? std::make_pair(true, e)
|
|
|
|
|
: std::make_pair(
|
|
|
|
|
false,
|
|
|
|
|
(e = static_cast<
|
|
|
|
|
typename std::remove_reference<decltype(e)>::type>(
|
|
|
|
|
dictionary.size()) +
|
|
|
|
|
255));
|
2018-04-03 14:55:25 +00:00
|
|
|
|
// auto &e = dictionary[std::make_tuple(nr_chaine, c, len)];
|
|
|
|
|
// return (e) ? std::make_pair(true, e)
|
|
|
|
|
// : std::make_pair(
|
|
|
|
|
// false,
|
|
|
|
|
// (e = static_cast<
|
|
|
|
|
// typename std::remove_reference<decltype(e)>::type>(
|
|
|
|
|
// dictionary.size()) +
|
|
|
|
|
// 255));
|
2018-03-21 00:22:05 +00:00
|
|
|
|
}
|
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
/**
|
|
|
|
|
* \brief Compression d'une chaine de caractères
|
|
|
|
|
*
|
|
|
|
|
* La chaine de caractère \p text est lue caractère par caractère, et est et
|
|
|
|
|
* selon la valeur de retour de la fonction \ref dico (permettant dans le même
|
|
|
|
|
* temps la création du dictionnaire), on rajoute un mot ou pas dans le vecteur
|
|
|
|
|
* de caractères UTF-8 représentant des mots de chars compressés. La fonction
|
|
|
|
|
* renvoie ledit vecteur de uint32_t.
|
|
|
|
|
*
|
|
|
|
|
* \param text Chaine de caractères uint8_t représentant le fichier d'entrée
|
|
|
|
|
* \param dictionary Dictionnaire de compression
|
|
|
|
|
* \return std::vector<uint16_t>
|
|
|
|
|
*/
|
|
|
|
|
const uvec compress(const ustring &text, dic_t &dictionary) {
|
2018-04-03 14:55:25 +00:00
|
|
|
|
std::puts("Compressing...");
|
2018-04-02 17:39:53 +00:00
|
|
|
|
uvec res{};
|
|
|
|
|
uint32_t w = 0xFFFFFFFF;
|
2018-04-03 14:55:25 +00:00
|
|
|
|
uint32_t len = 0;
|
|
|
|
|
#ifdef Debug
|
|
|
|
|
size_t progress = 0;
|
|
|
|
|
#endif
|
2018-04-02 17:39:53 +00:00
|
|
|
|
for (const auto &c : text) {
|
2018-04-03 14:55:25 +00:00
|
|
|
|
++len;
|
|
|
|
|
#ifdef Debug
|
|
|
|
|
printf("\rprogress: %zu / %zu", progress++, text.size());
|
|
|
|
|
#endif
|
|
|
|
|
if (len > 9) {
|
2018-04-02 17:39:53 +00:00
|
|
|
|
res.push_back(static_cast<uint32_t>(w));
|
|
|
|
|
w = c;
|
2018-04-03 14:55:25 +00:00
|
|
|
|
len = 0;
|
|
|
|
|
} else if (const auto &[exists, pos] = dico(dictionary, w, c);
|
|
|
|
|
exists) {
|
2018-03-21 00:22:05 +00:00
|
|
|
|
w = pos;
|
|
|
|
|
} else {
|
2018-04-02 17:39:53 +00:00
|
|
|
|
res.push_back(static_cast<uint32_t>(w));
|
2018-03-21 00:22:05 +00:00
|
|
|
|
w = c;
|
2018-04-03 14:55:25 +00:00
|
|
|
|
len = 0;
|
2018-03-21 00:22:05 +00:00
|
|
|
|
}
|
|
|
|
|
}
|
2018-04-03 14:55:25 +00:00
|
|
|
|
printf("\n");
|
2018-03-21 00:22:05 +00:00
|
|
|
|
return res;
|
|
|
|
|
}
|
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
/*
|
|
|
|
|
L’encodage des caractères se fait en UTF-8
|
|
|
|
|
char < 128 => "0xxxxxxx" 7bits
|
|
|
|
|
char < 2,048 => "110xxxxx 10xxxxxx" 11bits
|
|
|
|
|
char < 65,536 => "1110xxxx 10xxxxxx 10xxxxxx" 16bits
|
|
|
|
|
char < 2,097,152 => "11110xxx 10xxxxxx 10xxxxxx 10xxxxxx" 21bits
|
|
|
|
|
char < 67,108,864 => "111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" 26bits
|
|
|
|
|
char < 2,147,483,648 => "1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" 31bits
|
|
|
|
|
*/
|
|
|
|
|
|
|
|
|
|
/**
|
|
|
|
|
* \brief Écrit les caractères au format UTF-8
|
|
|
|
|
*
|
|
|
|
|
* Les caractères \c passés en argument sont écrit dans le fichier de sortie au
|
|
|
|
|
* format UTF-8
|
|
|
|
|
*
|
|
|
|
|
* \param out Fichier de sortie
|
|
|
|
|
* \param c Caractères à écrire dans \p out
|
|
|
|
|
*/
|
2018-04-03 14:11:54 +00:00
|
|
|
|
void write_utf8(FILE* out, uint32_t c) {
|
|
|
|
|
if(c < 128) {
|
2018-04-02 17:39:53 +00:00
|
|
|
|
fwrite(&c, sizeof(unsigned char), 1, out);
|
2018-04-03 14:11:54 +00:00
|
|
|
|
return;
|
|
|
|
|
}
|
|
|
|
|
size_t loops = 0;
|
|
|
|
|
unsigned char header = 0;
|
|
|
|
|
if (c < 2048) {
|
|
|
|
|
loops = 1;
|
|
|
|
|
header = 0xC0;
|
2018-04-02 17:39:53 +00:00
|
|
|
|
} else if (c < 65536) {
|
2018-04-03 14:11:54 +00:00
|
|
|
|
loops = 2;
|
|
|
|
|
header = 0xE0;
|
2018-04-02 17:39:53 +00:00
|
|
|
|
} else if (c < 2097152) {
|
2018-04-03 14:11:54 +00:00
|
|
|
|
loops = 3;
|
|
|
|
|
header = 0xF0;
|
2018-04-02 17:39:53 +00:00
|
|
|
|
} else if (c < 67108864) {
|
2018-04-03 14:11:54 +00:00
|
|
|
|
loops = 4;
|
|
|
|
|
header = 0xF8;
|
2018-04-02 17:39:53 +00:00
|
|
|
|
} else {
|
2018-04-03 14:11:54 +00:00
|
|
|
|
loops = 5;
|
|
|
|
|
header = 0xFC;
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
ustring str(loops + 1, 0);
|
|
|
|
|
for (size_t i = 0; i <= loops; ++i) {
|
|
|
|
|
str[i] = static_cast<unsigned char>(
|
|
|
|
|
((c & (i == loops) ? 0x3F : 0xFF) >> ((loops - i) * 6)) +
|
|
|
|
|
((i == 0) ? header : 0x80));
|
2018-04-02 17:39:53 +00:00
|
|
|
|
}
|
2018-04-03 14:11:54 +00:00
|
|
|
|
fwrite(str.data(), sizeof(unsigned char), str.size(), out);
|
2018-04-02 17:39:53 +00:00
|
|
|
|
}
|
|
|
|
|
|
2018-03-21 00:22:05 +00:00
|
|
|
|
int main(int argc, char *argv[]) {
|
|
|
|
|
if (argc < 2) {
|
|
|
|
|
puts("Usage: lzw <filename>");
|
|
|
|
|
return 1;
|
|
|
|
|
} else {
|
|
|
|
|
for (int i = 0; i < argc; ++i)
|
|
|
|
|
printf("argv[%d] = %s\n", i, argv[i]);
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
// fichier d'entrée
|
|
|
|
|
std::ifstream t{argv[1]};
|
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
// fichier de sortie
|
|
|
|
|
FILE *out = fopen("output.lzw", "wb");
|
2018-03-21 00:22:05 +00:00
|
|
|
|
|
|
|
|
|
// string contenant le fichier d'entrée
|
|
|
|
|
ustring str{};
|
|
|
|
|
|
|
|
|
|
// réserver la mémoire dans le string pour le fichier à compresser
|
|
|
|
|
t.seekg(0, std::ios::end);
|
|
|
|
|
str.reserve(static_cast<unsigned long>(t.tellg()));
|
|
|
|
|
t.seekg(0, std::ios::beg);
|
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
// assigner au string les caractères du fichier
|
2018-03-21 00:22:05 +00:00
|
|
|
|
str.assign((std::istreambuf_iterator<char>(t)),
|
|
|
|
|
std::istreambuf_iterator<char>());
|
|
|
|
|
|
|
|
|
|
// test pour voir si tout est bien chargé
|
|
|
|
|
printf("Size of str: %zu\n", str.size());
|
|
|
|
|
|
|
|
|
|
// le dictionnaire, initialement vide.
|
|
|
|
|
dic_t dictionary{};
|
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
// compresssion du texte
|
2018-03-21 00:22:05 +00:00
|
|
|
|
const auto comp_str{compress(str, dictionary)};
|
|
|
|
|
|
|
|
|
|
printf("Compressed, size of compressed string: %zu\n", comp_str.size());
|
2018-04-02 17:39:53 +00:00
|
|
|
|
printf("Compression ratio: %.10f\n",
|
|
|
|
|
static_cast<double>(str.size()) / static_cast<double>(comp_str.size()));
|
2018-03-21 00:22:05 +00:00
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
printf("Number of custom words in the dictionary: %zu\n", dictionary.size());
|
2018-03-21 00:22:05 +00:00
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
for(const auto c : comp_str)
|
2018-04-03 14:11:54 +00:00
|
|
|
|
write_utf8(out, c);
|
2018-03-21 00:22:05 +00:00
|
|
|
|
|
2018-04-02 17:39:53 +00:00
|
|
|
|
fclose(out);
|
2018-03-21 00:22:05 +00:00
|
|
|
|
t.close();
|
|
|
|
|
|
|
|
|
|
return 0;
|
2018-03-20 20:41:46 +00:00
|
|
|
|
}
|