Output now written as UTF-8 characters
This commit is contained in:
Phuntsok Drak-pa
parent
af58cdd579
commit
5c2f6c62ec
186
src/main.cc
186
src/main.cc
@ -1,9 +1,12 @@
|
||||
#include <cstdint>
|
||||
#include <cstdlib>
|
||||
#include <cstdio>
|
||||
#include <fstream>
|
||||
#include <iostream>
|
||||
#include <map>
|
||||
#include <streambuf>
|
||||
#include <string>
|
||||
#include <vector>
|
||||
|
||||
#ifdef Debug
|
||||
#define pdeb printf
|
||||
@ -13,14 +16,58 @@
|
||||
printf
|
||||
#endif
|
||||
|
||||
using dic_t = std::map<std::pair<int, uint8_t>, int>;
|
||||
using std::printf;
|
||||
using std::puts;
|
||||
using ustring = std::basic_string<unsigned char>;
|
||||
using c32string = std::basic_string<uint32_t>;
|
||||
|
||||
std::pair<bool, int> dico(dic_t &dictionary, int nr_chaine, uint8_t c) {
|
||||
if(nr_chaine == -1)
|
||||
// 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) {
|
||||
if(key.first == 0xFFFFFFFF)
|
||||
return 1;
|
||||
return 1 + size_str(dict, key.first);
|
||||
}
|
||||
}
|
||||
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)
|
||||
return std::make_pair(true, c);
|
||||
auto &e = dictionary[std::make_pair(nr_chaine, c)];
|
||||
return (e) ? std::make_pair(true, e)
|
||||
@ -32,21 +79,105 @@ std::pair<bool, int> dico(dic_t &dictionary, int nr_chaine, uint8_t c) {
|
||||
255));
|
||||
}
|
||||
|
||||
const c32string compress(const ustring &text, dic_t &dictionary) {
|
||||
c32string res{};
|
||||
int w = -1;
|
||||
/**
|
||||
* \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) {
|
||||
uvec res{};
|
||||
uint32_t w = 0xFFFFFFFF;
|
||||
for (const auto &c : text) {
|
||||
if (const auto & [ exists, pos ] = dico(dictionary, w, c);
|
||||
exists) {
|
||||
if(size_str(dictionary , w) > 16) {
|
||||
res.push_back(static_cast<uint32_t>(w));
|
||||
w = c;
|
||||
} else if (const auto &[exists, pos] = dico(dictionary, w, c); exists) {
|
||||
w = pos;
|
||||
} else {
|
||||
res.push_back(static_cast<unsigned int>(w));
|
||||
res.push_back(static_cast<uint32_t>(w));
|
||||
w = c;
|
||||
}
|
||||
}
|
||||
return res;
|
||||
}
|
||||
|
||||
/*
|
||||
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
|
||||
*/
|
||||
void write_char(FILE *out, uint32_t c) {
|
||||
if (c < 128) {
|
||||
fwrite(&c, sizeof(unsigned char), 1, out);
|
||||
} else if (c < 2048) {
|
||||
auto temp = new unsigned char[2];
|
||||
temp[0] = static_cast<unsigned char>((c >> 6) + 0xC0); // 110xxxxx
|
||||
temp[1] = static_cast<unsigned char>((c & 0x3F) + 0x80); // 10xxxxxx
|
||||
fwrite(temp, sizeof(unsigned char), 2, out);
|
||||
delete[] temp;
|
||||
} else if (c < 65536) {
|
||||
auto temp = new unsigned char[3];
|
||||
temp[0] = static_cast<unsigned char>((c >> 12) + 0xE0); // 1110xxxx
|
||||
temp[1] = static_cast<unsigned char>(((c >> 6) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[2] = static_cast<unsigned char>((c & 0x3F) + 0x80); // 10xxxxxx
|
||||
fwrite(temp, sizeof(unsigned char), 3, out);
|
||||
delete[] temp;
|
||||
} else if (c < 2097152) {
|
||||
auto temp = new unsigned char[4];
|
||||
temp[0] = static_cast<unsigned char>((c >> 18) + 0xF0); // 11110xxx
|
||||
temp[1] = static_cast<unsigned char>(((c >> 12) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[2] = static_cast<unsigned char>(((c >> 6) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[3] = static_cast<unsigned char>((c & 0x3F) + 0x80); // 10xxxxxx
|
||||
fwrite(temp, sizeof(unsigned char), 4, out);
|
||||
delete[] temp;
|
||||
} else if (c < 67108864) {
|
||||
auto temp = new unsigned char[5];
|
||||
temp[0] = static_cast<unsigned char>((c >> 24) + 0xF8); // 111110xx
|
||||
temp[1] = static_cast<unsigned char>(((c >> 18) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[2] = static_cast<unsigned char>(((c >> 12) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[3] = static_cast<unsigned char>(((c >> 6) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[4] = static_cast<unsigned char>((c & 0x3F) + 0x80); // 10xxxxxx
|
||||
fwrite(temp, sizeof(unsigned char), 5, out);
|
||||
delete[] temp;
|
||||
} else if (c < 2147483648) {
|
||||
auto temp = new unsigned char[6];
|
||||
temp[0] = static_cast<unsigned char>((c >> 30) + 0xFC); // 1111110x
|
||||
temp[1] = static_cast<unsigned char>(((c >> 24) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[2] = static_cast<unsigned char>(((c >> 18) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[3] = static_cast<unsigned char>(((c >> 12) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[4] = static_cast<unsigned char>(((c >> 6) & 0x3F) + 0x80); // 10xxxxxx
|
||||
temp[5] = static_cast<unsigned char>((c & 0x3F) + 0x80); // 10xxxxxx
|
||||
fwrite(temp, sizeof(unsigned char), 6, out);
|
||||
delete[] temp;
|
||||
} else {
|
||||
// erreur, nombre trop grand
|
||||
perror("Character value too high, must fit in 31bits");
|
||||
exit(1);
|
||||
}
|
||||
}
|
||||
|
||||
int main(int argc, char *argv[]) {
|
||||
if (argc < 2) {
|
||||
puts("Usage: lzw <filename>");
|
||||
@ -59,7 +190,8 @@ int main(int argc, char *argv[]) {
|
||||
// fichier d'entrée
|
||||
std::ifstream t{argv[1]};
|
||||
|
||||
std::ofstream out{"outfile.lzw"};
|
||||
// fichier de sortie
|
||||
FILE *out = fopen("output.lzw", "wb");
|
||||
|
||||
// string contenant le fichier d'entrée
|
||||
ustring str{};
|
||||
@ -69,35 +201,39 @@ int main(int argc, char *argv[]) {
|
||||
str.reserve(static_cast<unsigned long>(t.tellg()));
|
||||
t.seekg(0, std::ios::beg);
|
||||
|
||||
// assigner au string la valeur du fichier
|
||||
// assigner au string les caractères du fichier
|
||||
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());
|
||||
for (size_t i = 0; i < 64 && i < str.size(); ++i)
|
||||
printf("%02x%s", str[i],
|
||||
(((i + 1) % 16 == 0) ? "\n" : ((i + 1) % 2 == 0 ? " " : "")));
|
||||
printf("\n");
|
||||
|
||||
// le dictionnaire, initialement vide.
|
||||
dic_t dictionary{};
|
||||
|
||||
printf("Number of custom words in the dictionary: %zu\n", dictionary.size());
|
||||
|
||||
// compresssion du texte
|
||||
const auto comp_str{compress(str, dictionary)};
|
||||
|
||||
printf("Compressed, size of compressed string: %zu\n", comp_str.size());
|
||||
for(const auto &c : comp_str)
|
||||
std::cout << std::hex << c << "\t";
|
||||
printf("Compression ratio: %.10f\n",
|
||||
static_cast<double>(str.size()) / static_cast<double>(comp_str.size()));
|
||||
|
||||
#ifdef Debug
|
||||
printf("// compressed file: hex "
|
||||
"/////////////////////////////////////////////\n");
|
||||
for (size_t i = 0; i < comp_str.size(); ++i)
|
||||
printf("%04x%s", str[i],
|
||||
(((i + 1) % 16 == 0) ? "\n" : ((i + 1) % 2 == 0 ? " " : "")));
|
||||
printf("\n\n");
|
||||
#endif
|
||||
|
||||
printf("Number of custom words in the dictionary: %zu\n", dictionary.size());
|
||||
|
||||
for(const auto c : comp_str)
|
||||
write_char(out, c);
|
||||
|
||||
|
||||
for(const auto &c : comp_str)
|
||||
out << c;
|
||||
fclose(out);
|
||||
t.close();
|
||||
out.close();
|
||||
|
||||
return 0;
|
||||
}
|
||||
|
||||
Loading…
Reference in New Issue
Block a user