将哈夫曼码字符串转换为二进制

Question

我在如何将霍夫曼编码字符串转换为二进制 python 时遇到问题。

这道题与霍夫曼算法无关。

它是这样的：

我可以获得一个编码的霍夫曼字符串，比如01010101010。 注意，它是一个字符串。

但现在我想将字符串表示形式保存到真正的二进制文件中。

在哈夫曼编码的字符串中，每个0和1都是一个字节。

我想要的是每一个0和1都是一个位。

我怎样才能在Python中做到这一点？

编辑1：

请原谅我没有足够清楚地描述我的问题。

让我解释一下我目前将 0 和 1 写入二进制的方法。

比如说，我们可以得到一个代码字符串 s='010101010'。

1. 我使用int将其转换为整数
2. 然后使用unichr将其转换为字符串，以便我可以将其写入文件
3. 以二进制模式将字符串写入文件

还要注意，我需要读取该文件才能解码霍夫曼代码。

所以我的方法是，

1. 从文件中读取字节，
2. 将它们恢复为 int，
3. 将 int 转换为其二进制表示字符串。
4. 解码字符串

在第 2 步，问题发生了，我变得毫无头绪。

因为有些哈夫曼字符串可能很短（例如10），而有些则可能很长（010101010101001）。这导致它们的 int 值的字节长度不同（ 一些短字符串可能只需要一个字节，而长字符串可能需要两个甚至更多 ）

以下代码说明了我的问题：

ss=['010101','10010101010'] 
# first one is short and takes only one byte in its int value
# second one is long and takes two bytes   

print 'write it to file'
with open('binary.bin','wb') as f:
    for s in ss:
        n=int(s,2)
        print n
        s=unichr(n)
        f.write(s)

print 'read it to file'
with open('binary.bin','rb') as f:
    for s in f.read(): 
        print ord(s)

我在第二个 with 部分中一次读取一个字节，但这实际上是不正确的。因为字符串10010101010占用两个字节。

那么，当我从文件中读取这些字节时，我应该一次读取多少字节？

Answer 1

您可能想要使用 Python 中两种不同的“二进制”表示形式。

Bignum

One 是“bignum”或任意精度整数。这种类型在 Python 2.x 中称为 long，在 Python 3.x 中称为 int。顾名思义，这种表示形式在语义上是任意长度的整数，因此如果您计划对结果数字进行算术运算，它会很有用。要解析二进制数字字符串，请使用

# Python 2
long(digit_str, 2)

。

# Python 3
int(digit_str, 2)

bitstring 库。

或者，正如 Marc B 在评论中建议的那样，使用 位串库。具体来说，要进行转换，请使用 bitstring.pack 函数< /a>.

对于霍夫曼编码，使用位串可能比将数据存储在字节字符串中更好，因为霍夫曼编码通常不是 8 位的倍数； bitstring 允许您操作任意长度的位串。缺点：bitstring 不是标准库的一部分。

Answer 2

一种可能的方法（使用bitstring库）有一定道理，但仍然包含不正确之处：

使用bitstring库（感谢Mechanical snail和 >Marc B )

用于写入文件。

步骤：

1. 将纯文本编码为二进制表示字符串
2. 连接所有这些字符串以形成一个更长的字符串
3. 使用 bitstring.BitArray 转换为十六进制格式
4. 将十六进制字符串写入文件

读取：

1. 从以下位置读取十六进制字符串文件
2. 使用 BitArray 将其转换回位字符串
3. 开始解码

代码：

ss=['01010100','10010101010','010101110101010101'] #encoded message


from bitstring import BitArray,BitStream
print 'write it to file'
with open('binary.bin','wb') as f:
    s=''.join(ss);
    b=BitArray(bin=s)                 
    f.write(b.tobytes())# thanks to Scott, tobytes() method is very useful

print 'read it to file'
b=BitArray(filename='binary.bin')
print b.bin

Answer 3

您有一个需要转换为数字的字符串。 int 采用可选的“base”作为参数。因此，对于示例中的字符串，

>>> int('01010101010', 2)
682

一旦有了数字（而不是字符串），想要“真正的”二进制就没有意义，因为数字是相同的，您可以以任何基数显示它。这意味着二进制 100 与十进制 4 是相同的数字，在您的程序中它们不是不同的数字。因此，一旦将字符串转换为数字，您就可以修改其中的位。