LZW算法的python实现

我希望通过本文的介绍，能给那些目前不太了解lzw算法和该算法在gif图像中应用，但渴望了解它的人一些启发和帮助。

抛砖引玉而已，更希望园子里面兄弟提出宝贵的意见。

1.LZW的全称是什么?
Lempel-Ziv-Welch (LZW).
2. LZW的简介和压缩原理是什么？
LZW压缩算法是一种新颖的压缩方法，由Lemple-Ziv-Welch 三人共同创造，用他们的名字命名。

它采用了一种先进的串表压缩，将每个第一次出现的串放在一个串表中，用一个数字来表示串，压缩文件只存贮数字，则不存贮串，从而使图象文件的压缩效率得到较大的提高。

奇妙的是，不管是在压缩还是在解压缩的过程中都能正确的建立这个串表，压缩或解压缩完成后，这个串表又被丢弃。

LZW算法中，首先建立一个字符串表，把每一个第一次出现的字符串放入串表中，并用一个数字来表示，这个数字与此字符串在串表中的位置有关，并将这个数字存入压缩文件中，如果这个字符串再次出现时，即可用表示它的数字来代替，并将这个数字存入文件中。

压缩完成后将串表丢弃。

如"print" 字符串，如果在压缩时用266表示，只要再次出现，均用266表示，并将"print"字符串存入串表中，在图象解码时遇到数字266，即可从串表中查出266所代表的字符串"print"，在解压缩时，串表可以根据压缩数据重新生成。

3.在详细介绍算法之前，先列出一些与该算法相关的概念和词汇
1)'Character': 字符，一种基础数据元素，在普通文本文件中，它占用1个单独的byte，而在图像中，它却是一种代表给定像素颜色的索引值。

2)'CharStream'：数据文件中的字符流。

3)'Prefix':前缀。

如这个单词的含义一样，代表着在一个字符最直接的前一个字符。

一个前缀字符长度可以为0,一个prefix和一个character可以组成一个字符串(string),
4)'Suffix': 后缀，是一个字符，一个字符串可以由(A,B)来组成，A是前缀,B是后缀,当A长度为0的时候，代表Root，根
5)'Code:码,用于代表一个字符串的位置编码
6)'Entry'，一个Code和它所代表的字符串(string)
4.压缩算法的简单示例，不是完全实现LZW算法，只是从最直观的角度看lzw算法的思想
对原始数据ABCCAABCDDAACCDB进行LZW压缩
原始数据中，只包括4个字符(Character),A,B,C,D,四个字符可以用一个2bit的数表示，
0-A,1-B,2-C,3-D,从最直观的角度看，原始字符串存在重复字符：AB CC A AB CDDAA CC DB，用4代表AB,5代表CC，上面的字符串可以替代表示为:45A4CDDAA5DB,这样是不是就比原数据短了一些呢！
5.LZW算法的适用范围
为了区别代表串的值(Code)和原来的单个的数据值(String)，需要使它们的数值域不重合，上面用0-3来代表A-D,那么AB就必须用大于3的数值来代替，再举另外一个例子，原来的数值范围可以用8bit来表示，那么就认为原始的数的范围是0～255，压缩程序生成的标号的范围就不能为0～255（如果是0-255，就重复了）。

只能从256开始，但是这样一来就超过了8位的表示范围了，所以必须要扩展数据的位数，至少扩展一位，但是这样不是增加了1个字符占用的空间了么？但是却可以用一个字符代表几个字符，比如原来255是8bit,但是现在用256来表示254，255两个数，还是划得来的。

从这个原理可以看出LZW算法的适用范围是原始数据串最好是有大量的子串多次重复出现，重复的越多，压缩效果越好。

反之则越差，可能真的不减反增了。

6.LZW算法中特殊标记
随着新的串(string)不断被发现，标号也会不断地增长，如果原数据过大，生成的标号集（string table)会越来越大，这时候操作这个集合就会产生效率问题。

如何避免这个问题呢?Gif在采用lzw
算法的做法是当标号集足够大的时候，就不能增大了，干脆从头开始再来，在这个位置要插入一个标号，就是清除标志CLEAR，表示从这里我重新开始构造字典，以前的所有标记作废，开始使用新的标记。

这时候又有一个问题出现，足够大是多大？这个标号集的大小为比较合适呢？理论上是标号集大小越大，则压缩比率就越高，但开销也越高。

一般根据处理速度和内存空间连个因素来选定。

GIF规范规定的是12位，超过12位的表达范围就推倒重来，并且GIF为了提高压缩率，采用的是变长的字长。

比如说原始数据是8位，那么一开始，先加上一位再说，开始的字长就成了9位，然后开始加标号，当标号加到512时，也就是超过9为所能表达的最大数据时，也就意味着后面的标号要用10位字长才能表示了，那么从这里开始，后面的字长就是10位了。

依此类推，到了2^12也就是4096时，在这里插一个清除标志，从后面开始，从9位再来。

GIF规定的清除标志CLEAR的数值是原始数据字长表示的最大值加1，如果原始数据字长是8，那么清除标志就是256，如果原始数据字长为4那么就是16。

另外GIF还规定了一个结束标志END，它的值是清除标志CLEAR再加1。

由于GIF规定的位数有1位（单色图），4位（16色）和8位（256色），而1位的情况下如果只扩展1位，只能表示4种状态，那么加上一个清除标志和结束标志就用完了，所以1位的情况下就必须扩充到3位。

其它两种情况初始的字长就为5位和9位。

此处参照了/whycadi/
7.用lzw算法压缩原始数据的示例分析
输入流，也就是原始的数据
为:255,24,54,255,24,255,255,24,5,123,45,255,24,5,24,54..................
这个正好可以看到是gif文件中像素数组的一部分，如何对它进行压缩
因为原始数据可以用8bit来表示，故清除标志Clear=255+1 =256,结束标志为
End=256+1=257，目前标号集为
0 1 2 3 .................................................................................255 CLEAREND
第一步,读取第一个字符为255,在标记表里面查找，255已经存在，我们已经认识255了，不做处理
第二步,取第二个字符，此时前缀为A,形成当前的Entry为(255,24),在标记集合不存在，我们并不认识255,24好，这次你小子来了，我就记住你，把它在标记集合中标记为258,然后输出前缀A,保留后缀24，并作为下一次的前缀（后缀变前缀)
第三步，取第三个字符为54，当前Entry(24,54),不认识，记录(24,54)为标号259,并输出24,后缀变前缀
第四部：取第四个字符255,Entry=(54,255),不认识，记录(54,255)为标号260,输出54,后缀变前缀
第五步取第5个字符24，entry=(255,24),啊，认识你，这不是老258么，于是把字符串规约为258，并作为前缀
第六步取第六个字符255,entry=(258,255)，不认识，记录(258,255)为261,输出258,后缀变前缀
.......
一直处理到最后一个字符,
用一个表记录处理过程
CLEAR=256,END=257
上面这个示例有些不能完整体现，另外一个例子是
原输入数据为: A B A B A B A B B B A B A B A A C D A C D A D C A B A A A B A B .....
采用LZW算法对其进行压缩，压缩过程用一个表来表述为:
注意原数据中只包含4个character,A,B,C,D
用两bit即可表述，根据lzw算法，首先扩展一位变为3为,Clear=2的2次方+1=4; End=4+1=5; 初始标号集因该为
而压缩过程为:
.....
当进行到第12步的时候，标号集应该为
8.LZW算法的伪代码实现
1STRING = get input character
2WHILE there are still input characters DO
3 CHARACTER = get input character
4 IF STRING+CHARACTER is in the string table then
5 STRING = STRING+character
6 ELSE
7 output the code for STRING
8 add STRING+CHARACTER to the string table
9 STRING = CHARACTER
10 END of IF
11END of WHILE
12output the code for STRING
13
python 代码:
else: #不存在
sOutStr.append(iTag) #将前缀放入输出流
mTagMap[cTemp]=iTagCurrent
iTagCurrent+=1 #增加一个标记，并放入字典
iTag=cChar #当前标记为后缀
if iTagCurrent>=iMaxLen: #如果到达了最大标记数，清除字典，从头开始 sOutStr.append(256)
mTagMap={}
iTagCurrent=258
if iTag!=0:
sOutStr.append(iTag)
sOutStr.append(257) #放入结束标记
if narrow: #位紧缩
return Narrow(sOutStr)
else:
return sOutStr
#把9～16位的01码变成8位的01码，也就是一个字节...
def Narrow (sOutStr):
sOutN=[]
iTemp=0
BitLeft=0
nowBit=9 #当前位宽
nowStag=1<<nowBit #当前位宽允许的标记数
nowTagCount=258
for cChar in sOutStr:
iTemp=iTemp+(cChar<<BitLeft)
nowTagCount+=1
BitLeft+=nowBit
if cChar==256:
nowBit=9
nowStag=1<<nowBit
nowTagCount=258
if nowTagCount>=nowStag:
nowBit+=1
nowStag=1<<nowBit
while BitLeft>=8:
sOutN.append(iTemp&0xff)
iTemp=iTemp>>8
BitLeft-=8
if BitLeft>0:
sOutN.append(iTemp)
return sOutN
def UnNarrow (inStr):
sOut=[]
iTemp=0
BitLeft=0
nowBit=9
nowStag=1<<nowBit
mask=nowStag-1
nowTagCount=258
for cChar in inStr:
iTemp=iTemp+(cChar<<BitLeft)
BitLeft+=8
if BitLeft>=nowBit:
cTemp=iTemp&mask
iTemp=iTemp>>nowBit
BitLeft-=nowBit
sOut.append(cTemp)
nowTagCount+=1
if nowTagCount>=nowStag:
nowBit+=1
nowStag=1<<nowBit
mask=nowStag-1
if cTemp==256:
nowBit=9
nowStag=1<<nowBit
mask=nowStag-1
nowTagCount=258
if BitLeft>0:
sOut.append(iTemp)
return sOut
def deTag ( mTagMap,nowTag,outStr):
'''将一个标记转化为元字符序列，并放入到输出流中''' if nowTag>=0:
sTemp=[]
while nowTag>255:
pair=mTagMap[nowTag]
sTemp.append(pair[1])
nowTag=pair[0]
sTemp.append(nowTag)
sTemp.reverse()
outStr+=sTemp
return nowTag
def UnLZW ( inStr , narrow=False):
if narrow:
inStr=UnNarrow(inStr)
mTagMap={}
outStr=[]
nowTagCount=258
sTemp=[]
nowTag=-1
for cChar in inStr:
if cChar==256:
if nowTag>=0:
deTag(mTagMap,nowTag,outStr)
mTagMap={}
nowTagCount=258
nowTag=-1
elif cChar==257:
if nowTag>=0:
deTag(mTagMap,nowTag,outStr)
nowTag=-1
return outStr
elif nowTag==-1: #刚开始
nowTag=cChar
else:
pair=[nowTag,0]
mTagMap[nowTagCount]=pair
nowTagCount+=1
surfix=cChar
while surfix>255:
if surfix not in mTagMap:
print 'Thera are errors in input' return outStr
surfix=mTagMap[surfix][0]
pair[1]=surfix
deTag(mTagMap,nowTag,outStr)
nowTag=cChar
def fileLZW ( inFile , outFile , bit=14 ):
import os
法加了哈什表，通过哈什表查找，一一对应，效率很高。

这个算法利用python的查找字典。

另外，把整个列表（C是数字）转成字节进行存储，它Narrow函数也跟C写的不一样，她是01码从左到右流出，而C是从右到左流出，相对应的解压时的算法也有所不同，所以用这个python 算法进行压缩和用C写的压缩后的文件是不一样的。

如果真想要一样，就修改里面的Narrow函数为如下：
当然解压的函数UnNarrow()一样要修改：。