23.

COMPACTAREA DATELOR
23.1 Parametrii stocrii datelor
Volumul datelor este dat n mai multe feluri. Pentru o colectivitate ale
crei indivizi se descriu cu acelai ablon, volumul informaiilor este prezent
prin numrul indivizilor. Avem o imagine suficient de clar, despre un fiier
care conine informaii referitoare la 30.000 persoane sau despre o matrice
are 50 linii i 80 coloane, din punct de vedere al volumului de date.
Pentru o mai bun precizare, se vor lua n considerare:
N - numrul de indivizi ai colectivitii;
L
- lungimea structurii de date asociate unui individ;
B - factorul de blocare;
R - lungimea informaiilor reziduale;
Volumul de date V este dat de relaia:
V = f (N * L, B) + g(R)

(23.1)

unde f i g sunt forme analitice ale dependenei dintre factorii considerai,

forme ce se determin pentru tipuri de suport extern de date, n mod
corespunztor.
Volumul de date astfel calculat este exprimat n numr de baii.
Documentaiile tehnice consemneaz capacitatea de memorare pentru
fiecare tip de suport extern, ca numr maxim de baii.
Fie suportul extern i, avnd capacitatea Ci. Raportul:

pi

V
100
Ci

(23.2)

reprezint ponderea pe care o au datele memorate n volumul V, fa de

capacitatea suportului.
De exemplu, pentru un suport de 1200 ko capacitate, un fiier care
ocup 400 ko, ocup 33% din suport.
Dac un programator trebuie s stocheze informaii pe un suport de
capacitate Ci, sub forma unor volume V1, V2, . . . , Vn, el stocheaz numai k
volume, ntruct:
k

V C
j1

(23.3)

Apare ns problema existenei unei diferene, care descrie funcia

obiectiv:
k

[min] C i Vj
j1

(23.4)

a unui model de optimizare a combinaiei de volume, care s conduc la

acest obiectiv.

De exemplu, se consider:
Ci = 1000, V1 = 200, V2 = 500, V3 = 400, V4 = 300

(23.5)

Se calculeaz sumele:
S1 = V1 + V2 + V3 + V4 = 1400 > Ci
S2 = 200 + 500 + 400 = 1100 > Ci
S3 = 200 + 500 + 300 = 1000 = Ci
S4 = 500 + 400 = 900 < Ci
S5 = 500 + 400 + 300 = 1200 > Ci
S6 = 200 + 500 = 700 < Ci
S7 = 500 + 300 = 800 < Ci
S8 = 200 + 300 = 500 < Ci
S9 = 200 + 400 = 600 < Ci
S10 = 400 + 300 = 700 < Ci

(23.6)
(23.7)
(23.8)
(23.9)
(23.10)
(23.11)
(23.12)
(23.13)
(23.14)
(23.15)

Din toate combinaiile, S3 reprezint varianta care conduce la o bun

umplere a capacitii cu date.
Apar deci ca parametri de descriere ai utilizrii unui suport, urmtorii:
- gradul de ocupare;
- numrul de fiiere;
- volumul de informaii stocat n fiier exprimat prin intermediul
numrului de indivizi pentru care se face stocarea sau numrul de
cuvinte, depinznd de unitile de msur, de natura fiierelor.
Problema maximizrii, apare pentru:
- creterea gradului de umplere;
- creterea numrului de fiiere ce se stocheaz;
- creterea volumului de informaii.
Exist modaliti specifice, care vin s amelioreze unul sau altul
dintre parametrii considerai, ceea ce influeneaz ns asupra tuturor
parametrilor, este compactarea datelor.
Prin compactarea datelor, nelegem totalitatea metodelor care
conduc la reducerea lungimii exprimate n baii, a datelor. Fiind dat o
mulime de cuvinte:
A = {a1, a2, . . an}, de lungime l1, l2 , . . . ln

(23.16)

compactarea datelor revine la a gsi funciile:

f : AK

g : KA

(23.17)

unde:
k = { k1, k2, . . . , km}

(23.18)

este mulimea cuvintelor compactate, aa fel nct exist o pereche (i, j),
pentru care:
kj = f (ai)
ai = g (kj)

(23.19)
(23.20)

Funcia f( ) se numete funcie de compactare, iar funcia g( ) este

funcia de decompactare.
Deci, orice metod de compactare este complet definit, dac s-a
identificat i modalitatea de a reduce setul de date n forma iniial, prin
decompactare.
Pentru perechea (i , j):
lg( kj) < lg (ai)

(23.21)

Rezult c efectul compactrii, pentru un text format din cuvintele:

a1 a2 a3 a3 a3 a3

(23.22)

de lungime iniial:
L1 = 1g(a1 a2 a3 a3 a3 a3 a3) = 1g (a1) + 1g (a2) + 4*1g (a3)

(23.23)

prin compactare este transformat n textul:

k1 k2 k3 k3 k3 k3

(23.24)

de lungime:
L2 = 1g (k1) + 1g (k2) + 4*1g (k3)

(23.25)

cu indicile de eficien a compactrii:

L1 - L 2
100
L1

(23.26)

23.2 Compactarea la nivel de caracter

Sistemele de coduri asociate caracterelor pornesc de la urmtoarele
aspecte:
- mulimea caracterelor ce sunt reprezentate este finit; de
exemplu, codul ASCII permite reprezentarea unei mulimi de
caractere formate din 256 elemente;
- lungimea exprimat n bii a unui element al mulimii, este
constant; codul ASCII asociat unui caracter are 8 bii.
Pentru un ir de n bii, se asociaz o mulime format din 2n
elemente distincte, ce sunt puse n coresponden cu simboluri sau cuvinte,
ale unei mulimi cunoscute.
Vom considera un roman, n care apar numai litere mici i litere mari,
semne de punctuaie, separatorul blanc i liniua corespunztoare semnului
de dialog.
Analiza textului ce formeaz romanul, pune n eviden urmtoarele
aspecte:
- dintre literele mari sunt utilizate 15;
- dintre literele mici sunt utilizate 24;
- semnele de punctuaie cu liniua de dialog, sunt n numr de 8.

Alfabetul nou cu care operm, este format din 24+15+8 = 47

simboluri. Fiecare simbol are reprezentare pe 6 bii, ntruct cel mai mic
numr natural pentru care 2n > 47 este n = 6.
Se vor pune n coresponden cele 47 de caractere, cu coduri de cte
6 bii i textul romanului care avea o lungime iniial Li:
Li = 8 * m

(23.27)

unde m reprezint numrul de caractere al textului.

Dup compactarea la nivel de caracter, textul compactat are o
lungime final Lf:
Lf = 6 * m

(23.28)

Indicele de eficien al acestei compactri este:

p

Li - Lf
100 25%
Lf

(23.29)

Decompactarea, presupune interpretarea succesiunilor de 6 bii i

nlocuirea lor cu caractere ASCII corespunztoare din stiva caracterelor
utilizate n text.

23.3 Compactarea la nivel de cuvnt

Prin analiza textului, nelegem construirea unei stive a cuvintelor
diferite din text i nregistrarea frecvenei lor de apariie.
Dac meninnd codul ASCII pentru caracterele uzuale ale textului,
punem n coresponden cuvintele avnd frecvenele cele mai mari C1, C2, .
. ., Ck, cu coduri asociate unor caractere ce nu apar n text, indicile de
eficien al compactrii este:
k

L i - f i *1g(c j ) f j
j1

j1

Li

*100

(23.30)

Dac stiva cu cuvintele definite C1, C2, . . ., Ck, avnd frecvene

ridicate f1, f2, . . ., fk, este suficient de mare, i mulimea G a simbolurilor
neutilizate n text, este insuficient, este necesar construirea cuvintelor g1,
g2, . . ., gk formate din 1, 2, . . ., ng simboluri neutilizate, atunci
performana compactrii este:
k

L i - f j * [1g(C j ) 1g j )]
j1

Li

* 100

(23.31)

Decompactarea revine la a nlocui cuvintele gj din text, cu cuvintele

cj, ntruct att algoritmul de compactare ct i cel de decompactare
presupun existena stivei cuvintelor diferite ale textului iniial i cuvintele

din mulimea {g1,

neutilizate n text.

g2,

. . .,

gk}, a cuvintelor formate din simboluri

23.4 Compactarea prin analiza caracteristicilor textului

Vom exemplifica modul de analiz al unui text, folosind reprezentarea
n memorie a tabelului de mai jos ce trebuie imprimat:
Tabelul nr. 23.1 Situaia materialelor
5
NR.
CRT.
0
1
2
3
TOTAL

30
DENUMIRE

15
VALOARE

1
CUIE
TABLA
VAR

2
100
200
600
900

Pentru memorarea acestui tabel, se definete un articol de 74 baii i

n fiierul TABEL.DAT, vor fi memorate 20 de rnduri, incluznd i blancurile
dintre antet i capul de tabel. n fiierul TABEL.DAT vor fi ocupai
20*74=1480 baii cu acest tabel.
Prin convenie, ntruct asteriscul nu este utilizat, n continuare este
folosit ca separator, iar dou asteriscuri consecutive au semnificaia de CR.
27
30b*SITUATIA MATERIALELOR
23
30b*22 - **74b**10b*
27
54 = **10b*!*5b!*30b*!*15b**
60
10b*! NR.
!
DENUMIRE
!
!**
25
10b*! CRT
!*30b*!*15b*!**
22
10b*!*5b*!*30b*!*15b**
69
10b*54 = **10b*!
0
!
1
!
2
69
10b*54 = **10b*!
1
! CUIE !
100
!**
60
10b*!
2
!
TABLA
! 200 !**
60
10b*!
3
!
VAR
! 600 !**
9
10b*54 = **
65
10b*!
TOTAL
!
900
10b*54 =
---523 baii

Textul astfel codificat are lungimea de 523 baii.

Indicele de performan n acest caz este:

1480 523
* 100 64%
1480

(23.32)

VALOARE

!**

!**

Compactarea merge mai n profunzime, prin identificarea elementelor

invariante. Apar n mod repetat:
10b*54 = **
10b*!*5b*!*30b*!*15b*!**

Dac aceste succesiuni vor fi nlocuite, prima cu caracterul & iar a

doua cu @:

p'

1480 (523 4 * 8 21)

*100 68%
1480

(23.33)

Dac se pune n coresponden construcia **10b* cu :, care are 10

apariii, nc se obine o ameliorare a indicelui de eficien.

23.5 Compactare prin asocierea unor coduri ce permit

eliminarea separatorilor
n textele de orice tip ar fi ele, se utilizeaz diveri separatori, care
ocup un numr de poziii, depinznd de regulile acceptate de utilizare,
dintre care se enumer:
- separatorii punct i virgul sunt urmai de un spaiu;
- separatorul linie de dialog cnd este urmat de o liter mare sau
precedat de punct sau dou puncte, este precedat de 3-6 spaii
pentru a marca un dialog;
- cuvintele sunt separate prin cel puin un spaiu; n procesarea de
texte, variabilitatea numrului de spaii depinde de limea
textului i de dorina de a realiza o aliniere la extremitile definite
pentru un rnd.
Se consider de exemplu, nregistrarea profesiilor persoanelor ce
alctuiesc o colectivitate. Din nregistrrile efectuate, rezult mulimea de
profesii distincte:
forjor
strungar
frezor
economist
mecanic
supraveghetor
Fiierul ce se creeaz, conine niruirea acestor profesii, urmnd ca
programele pentru consultarea lui, s permit numrarea elementelor ce
aparin fiecrei meserii.
nregistrarea brut a informaiilor, conduce la ocuparea unei zone de
memorie:
Lb=n1*lg(forjor)+n2*lg(strungar)+n3*lg(frezor)+n4*lg(economist)+
(23.34)
+n5*lg(mecanic)+n6*lg(supraveghetor)

Dac fiecare meserie este pus n corespondena cu un mnemonic

precum:
fo
st
fr
ec
me
su

pentru
pentru
pentru
pentru
pentru
pentru

forjor
strungar
frezor
economist
mecanic
supraveghetor

n mod sever, lungimea ocupat se reduce.

(23.35)

L m 2 * (n 1 n 2 n 3 n 4 n 5 n 6 )

Pentru eliminarea ambiguitii generate de reducerea lungimii

mnemonicelor de la 2 caractere la un singur caracter, se efectueaz
punerea n coresponden a meseriilor cu caracterele:
f forjor
s strungar
r frezor
e economist
m mecanic
g supraveghetor
n aceste condiii, lungimea textului este:

L s n1 n 2 n 3 n 4 n 5 n 6

(23.36)

Forma brut a caracterelor, conduce la calculul lungimii fiierului n

baii. Lungimea efectiv, exprimat n bii, este n continuare redus dac
meseriile sunt puse n coresponden cu iruri de bii, ce se bucur de o
serie de proprieti suplimentare:
forjor
strungar
frezor
economist
mecanic
supraveghetor

1
101
1001
10001
10101
100001

Aceste construcii, se bucur de proprietatea ca prin concatenare,

locul unde s-a produs aceast operaie apar dou cifre binare de 1. Astfel:

L B n 1 *1 n 2 * 3 n 3 * 4 n 4 * 5 n 5 * 5 n 6 * 6
Observm c:

8 * L b 8 * Ls L B

(23.38)

(23.37)

n multe cazuri, lungimea cmpului este dimensionat n aa fel

nct, s poat cuprinde meserii cu cele mai multe caractere, fiierul avnd
articole de lungime fix.
n exemplul dat, lungimea este dat de cuvntul supraveghetor,
care are 13 caractere.

L F 8 13 (n 1 n 2 n 3 n 4 n 5 n 6 )

(23.39)

Toi indicii de performan, se calculeaz n raport cu lungimea LF.

Dac de exemplu, ntr-o colectivitate de 1000 persoane:
n1=100, n2=300, n3=100, n4=100, n5=300, n6=100
LF=8*13*1000=104000 bii

(23.40)

(23.41)

Lb=100*6+300*8+100*6+100*9+300*7+100*13=7900 baii
LB=100+300*3+100*4+100*5+300*5+100*6=4000 bii

(23.42)
(23.43)

n cazul n care lungimea codurilor asociate, iau n considerare

frecvenele aa fel nct, meseria cu cea mai mare frecven s fie codul de
lungime cel mai mic, se obine:
LB'=300*1+300*3+100*4+100*5+100*5+100*6=3000 bii

p1

104000 3000
*100 97%
104000

(23.45)

p2

7900 * 8 3000
*100 95%
7900 * 8

(23.46)

p3

23.6
repetitive

4000 3000
*100 25%
4000

Compactarea

prin

(23.44)

(23.47)

identificarea

de

subiruri

Pentru cele 27 litere ale alfabetului, se construiete matricea

frecvenelor de apariie a grupurilor de cte dou litere, X. Astfel, xij
reprezint numrul de apariii al literei cu poziia i, urmat de liter cu
poziia j din alfabet.
Construirea matricei X se realizeaz, prin parcurgerea unei diversiti
de texte i frecvenele depind de particularitile fonetice ale fiecrei limbi.
Dintre grupurile de cte dou litere, vor fi extrase acelea cu
frecvenele cele mai mari i vor fi dispuse pe linii ntr-un tabel, ale crui
coloane conin literele alfabetului.
Se construiete matricea Y, ale crei elemente yij, conin frecvenele
de apariie ale grupului de dou litere de pe linia i, urmat de litere de pe
coloana j a tabelului.

Se are n vedere c totalitatea grupurilor de litere ce vor fi selectate

n ordinea descresctoare a frecvenelor de apariie, s nu depeasc un
numr K aa fel nct:
K + L < 256

(23.48)

unde L reprezint numrul de caractere considerat necesar pentru

introducerea unui text ntr-un fiier.
n continuare, se vor considera cele 27 litere ale alfabetului, cele 10
simboluri ale cifrelor i caracterele: spaiu, plus, minus, egal, punct, virgul,
dou puncte, punct i virgul, semnul mirrii, semnul ntrebrii i asteriscul.
n total sunt 48 de caractere.
Din analizele statistice efectuate pe texte, se rein grupurile de litere
alctuind o mulime format din 64 de elemente dispuse n tabloul de mai
jos, care au n dreptul liniilor i coloanelor combinaii de bii care alctuiesc
codul asociat fiecrui ir.
Tabelul nr. 23.2 Combinaii de bii asociate irurilor de caractere

1000
1001
1010
1011
1100
1101
1110
1111

1000
u1
lor
it
am
cr
sa
nstr
asera

1001
1e
se
la
ar
sc
ma
eau
res

1010
pr
ut
ea
ei
st
ne
eam
tit

1011
mb
re
ta
ra
os
tre
esti
ros

1100
mp
tr
ti
ne
ti
ist
ndu
oasa

1101
ni
te
ca
un
at
tri
u-se
isem

1110
in
ta
oi
ns
ri
urile
ati
tit

1111
lui
nu
au
nt
oa
ind
nul
art

Aceste grupuri de litere au fost puse n coresponden cu codul unui

caracter, altul dect cele 48 considerate.
Astfel, versurile eminesciene:
Dintre sute de catarge
Care leag malurile
Cte oare le vor sparge
Vnturile, valurile
A fost odat ca-n poveti
A fost ca niciodat
Din rude mari mprteti
O prea frumoas fat.
care nsumeaz 177 caractere incluznd i spaiile care separ cuvintele,
vor fi compacte astfel:
Dx

x
17

x
26 24

sux
64

de
26

aga
12

x
rge
36 27

x lux x
62
57 12

Cix

x
26

Vix
A

x
x
vor spx ge
58 24 12
42

ux x
, valux x
48 57 12
57 12
fox odat ca-n povex
53
73

A fox

x
53

Dx

x
26

rude x
17

ciodat
16

x
ix aratx
62 57 15
74

o x x
fata
13 33

85

ceea ce conduce la un indice de performan:

177 137
* 100 22%
177

(23.49)

Construirea matricei generale a subirurilor, are avantajul c este

unic pentru orice text care se compacteaz, dar exist posibilitatea de
apariie a situaiei ca frecvenele grupurilor n textul de compact s nu
urmeze nivelurile de frecven a textelor care au stat la baza obinerii ei.
Dac pentru fiecare compactare se construiete o matrice de subiruri
proprie, performana este cu totul alta.
Pentru textul analizat, subirurile identificare se organizeaz ntr-un
tabel, cruia i se ataeaz o matrice C a codurilor, ce conduce la un text de
116 caractere, avnd un indice de performan:

177 116
* 100 34%
177

Dac pornim de la ideea c

succesiuni de 6 bii, pentru c el
corespunztoare grupurilor de litere
memorarea ca text avnd fiecare
performan este:

(23.50)

acest text este memorat folosind

conine 25 de combinaii de bii,
i cele 27 de litere, comparativ cu
caractere cte 8 bii, indicele de

177 * 8 116 * 6
* 100 52%
177 * 8

(23.51)

Se observ c algoritmii de compactare, vizeaz att lungimea

codului sub care se reprezint un caracter din text, ct i modul n care se
identific elementele invariante n texte.
Spaiul ocupat de textul compactat, i se adaug o zon cu informaii
care permit reconstituirea textului iniial. Aceste informaii conin:
- lungimea codurilor asociate caracterelor;

mulimea subirurilor i a codurilor cu care acestea se pun n

coresponden.
n cazul n care se identific pentru reguli complexe de scriere a
textelor proceduri, acestea se pun n coresponden cu coduri i ori de cte
ori apar codurile respective n text, vor fi activate procedurile care vor
prelucra textul adecvat.
De exemplu, dac un text este centrat pe un rnd, blancurile vor fi
eliminate, respectivul text fiind precedat de un cod care odat identificat,
preia textul, l centreaz, reconstituind blancurile eliminate la compactare.
n cazul dialogurilor, nceperii unui nou paragraf sau scrierii unei
formule, reconstituirea poziiei reale a textului, se efectueaz cu ajutorul
procedurilor activate odat cu apariia codurilor care semnalizeaz fiecare
dintre situaiile menionate.
-

23.7 Compactarea programelor date n form executabil

Pentru utilizatori, prezint importan programele executabile.
Obiectivele programelor care efectueaz compactarea acestui tip de text,
sunt gsirea unor modaliti care s determine stocarea unui numr ct mai
mare de programe executabile pe un suport. n acelai timp, se urmrete
i gsirea posibilitii de a efectua decompactarea textului transformat.
Programele de compactare a programelor executabile, iau n
considerare urmtoarele aspecte:
- limbajul de asamblare are o mulime finit de coduri de
instruciuni, dintre care programatorii folosesc sub 40%, ca
diversitate n programe;
- programele executabile sunt rezultate ale compilrii i editrii de
legturi; n cea mai mare parte, aceste operaii conduc la o
pondere ridicat a secvenelor construite mecanic, pe baza unor
reguli tip;
- programele executabile, au ca entitate instruciunea i aceasta
este plasat ntr-o zon de memorie de lungime i structur fix;
toate analizele, vizeaz componentele n numr restrns de pe o
zon restrns; frecvenele construite vin s ajute alturi de
celelalte consideraii, la dimensionarea codurilor cu care se pun n
coresponden, instruciunile programului executabil.
Se consider n continuare programul:

CICLU:

BETA:

ORG
MOV
PUSH
XRA
LDAX
ADC
DCR
JZ
STAX
INX
INX
JMP
MOV

420 H
D , E
B
A
B
M
E
BETA
B
B
H
CICLU

LOAX B
XRA M
MOV A , E
STAX B
STC
JM GAMA
MOV A , M
XRA E
STC
JM DELTA
GAMA: CMC
DELTA:

POP
MOV
RET
END

B
E , D

Acestui program i corespunde codul obiect:

0420
0421
0422
0423
0424
0425
0426
0429
042A
042B
042C
042F
0430
0431
0432
0433
0434
0435
0438
0439
0440
043B
043F
0440
0441
0000

53
C5
AF
OA
8E
1D
CA
02
03
23
C3
5F
OA
AE
7B
02
37
FA
7E
AB
37
FA
C1
5A
C9

2F

04

23

04

3F

04

3F

04

Textul obiect generat are 31 baii. Se vor scrie frecvenele de apariie

a elementelor din acest text.

Tabelul nr. 23.3 Frecvenele de apariie a elementelor textului

Element
0
1
2
3
4
5
6
7
8
9
A
B
C
D
E
F

Frecvena
8
2
4
9
4
4
4
1
1
6
1
3
1
4
6

mprtierea cifrelor hexazecimale, reduce masiv posibilitatea

efecturii unor prelucrri directe pe textul obiect.
Se procedeaz la efectuarea modificrilor:
a) se ncepe contorizarea de la zero i se memoreaz 0420 i textul
devine:
0000
0001
0002
0003

53
C5
AF
OA

0004

8E

0005

1D

0006

CA

0009
000A

02
03

000B

23

000C

C3

000F

5F

0010

0A

0011

AE

0012

7B

0013

02

0014
0015

37
FA

0018

7E

0019

AB

001A

37

001B

FA

001F

C1

00

OF

00

03

00

1F

00

1F

0020

5A

0021

C9

Cea mai mic valoare din prima cifr hexazecimal a prii de

instruciune, este 0 i cea mai mare este F.
Tabelul nr. 23.4 Frecvenele de apariie a elementelor textului
Element

Frecvena

0
1
2
3
4
5
6
7
8
9
A
B
C
D
E
F

5
1
2
2
2
1
2
5
2

Din 15 simboluri lipsesc 7. Construim pe 2 baii masca elementelor

absente:
0 1 2 3 4 5 6 7 8 9 A B C D E F
-----------------------------------------------------------------------1 1 0 1 0 1 0 1 1 0
1 0
1 0 0
1
Se analizeaz frecvena de apariie a cifrelor hexazecimale pe al IIlea bait al instruciunii.
Tabelul nr. 23.5 Frecvenele de apariie a cifrelor hexazecimale
pe baitul II al instruciunii
Element
0
1
2
3
4
5
6
7
8
9

Frecvena
1
2
4
1
2
1

A
B
C
D
E
F

6
2
1
3
2

Se construiete pe 2 baii masca elementelor absente:

0 1 2 3 4 5 6 7 8 9 A B C D E F
-----------------------------------------------------------------------0 1 1 1 0 1 0 1 0 1
1 1
0
1 1 1
Se observ c pentru un text de lungime redus, elementele
repetitive nu se identific i deci compactarea are efecte reduse, uneori nule
sau chiar pgubitoare.
Limbajele de asamblare moderne, au n definire operaii de tip RR
(registru-registru) i ntruct numrul registrelor este redus, sunt asociate
coduri diferite pentru combinaia de cod operaie R1, R2 ceea ce reprezint
o compactare la nivel de limbaj. Tot astfel, n cazul instruciunilor memorate
pe trei baii, deplasarea operandului este reprezentat pe un singur bai,
prin recalcularea ei.
n cazul unor texte mult mai lungi, dac resursele sunt folosite
convenabil i programatorii stabilesc reguli precise de realizare a unor
anumite prelucrri, compactarea este realizabil.
Astfel, n toate subprogramele, secvena de preluare a parametrilor
este standardizat i deci este pus n coresponden cu un cod i nlocuit
cu acesta.
Aplicnd principiile de analiz ale textului, compactarea se realizeaz
n principal prin tratarea elementelor repetitive i n programele scrise n
limbajul de asamblare sau generate de compilatoare, acestea nu au o
pondere important.

23.8 Compactarea datelor numerice

Reprezentarea matricelor rare, este un exemplu de compactare a
datelor. n cazul seriilor de date, problema compactrii este important
dac seriile au variaii mici sau dac seriile au o lungime foarte mare.
Fie seria de date X avnd termenii:

11120
11170
11121

11130
11135
11122

11131
11131
11120

11136
11109
11104

Cei 12 termeni ai seriei de date, dac sunt reprezentai binar, ocup

fiecare cte 2 baii, deci n total 24 baii. Observm c termenul minim al
seriei este 11104, iar termenul maxim este 11170.
D = Xmax Xmin = 66

(23.52)

iar:

60
D

0,005
Xmin 11108

(23.53)

ceea ce arat c datele se afl ntr-un interval foarte ngust n raport cu

mrimea lor.
Considerm Xmin = 11104. Se calculeaz o nou serie x':
xi' = xi xmin

(23.54)

al crei termeni sunt:

16
27

26
5

27
17

32
18

66
16

51
0

Numerele acestea se reprezint pe 7 bii. Deci, pentru cei 12 termeni

sunt necesari 84 de bii, iar pentru 11104 sunt necesari 2 bii.

84 2 * 8
100
100
100 52%
24 * 8
192

(23.55)

Compactarea la nivel de bii, se dovedete cu efecte mai importante

dac se combin cu alte procedee de compactare.
111
113

111
113

111
111

112
112

112
112

112
112

Elementul minim este 111, iar elementul maxim este 113. n

reprezentare binar a ntregilor, pentru fiecare termen este necesar un bai.
Seria aceasta necesit 12 baii.
Observm c exist elementele repetitive 111, 112 i 113, care vor fi
puse n coresponden cu caracterele a, b, c, respectiv 00, 01, 10. Pentru
cele trei numere sunt necesari 7 bii.

3 7 12 2
45
100
100 46%
12 8
96

(23.56)

23.9 Programe care efectueaz compactarea

Un program P de lungime L, se zice c este compactat de programul
X, dac forma obinut P', are o lungime L' cu peste 20% mai mic dect
lungimea L.
Programul X execut complet compactarea, dac ncercnd
compactarea programului P', se obine un program P" de lungime L" i dac
L' = L" i P" este identic cu P'.
Programul Y realizeaz decompactarea programului P', dac dup
executarea sa se obine programul P' ' ' de lungime L' ' ', aa fel nct L' ' '
= L i P' ' ' este identic cu P'.

Programele de compactare sunt specializate s aib ca intrare, fie

texte surs, fie texte obiect, fie componente executabile. Exist i programe
generale care efectueaz compactarea i decompactarea. Exemple de astfel
de programe sunt PKZIP . EXE, PKUNZIP . EXE, ARJ . EXE, PKARC . EXE.
Fiecare dintre acestea folosesc algoritmi specifici de compactare, n funcie
de tipul fiierelor supuse comprimrii.
Formatul general al unei etichete de fiier arhivat, l descriem prin
structura urmtoare n C:
struct fisier_compactat
{
int metoda_compactare[10];
char nume_fisier[8];
char extensie_fisier[3];
unsigned char atribut_fisier;
short int data;
short int timp;
short int cluster_start;
long int lungime_fisier_initial;
long int lungime_fis_compactat;
int suma_control;
};

Se asociaz fiecrei metode de compactare folosit un anumit cod, ca

de exemplu:
- 0, dac fiierul a fost memorat n forma sa iniial, compactarea
nefiind eficient;
- 1, dac fiierul a fost comprimat printr-un algoritm nerepetitiv;
- 2, dac fiierul a fost comprimat n mai multe etape.
Aceste probleme sunt nzestrate cu funcii specifice gestionrii de
fiiere arhivate, respectiv adugare, tergere, modificare, protecie.
Unul dintre algoritmii utilizai de aceste programe de compactare este
cel al lui Huffman. Acest algoritm are drept scop de a minimiza numrul de
bii necesar pentru reprezentarea oricrui simbol dintr-un alfabet. Astfel, se
atribuie simbolurilor cu o frecven de utilizare mare, coduri mai scurte, iar
simbolurilor mai rar folosite, coduri mai lungi. n acest mod, media lungimii
codului, este mai redus.
Aceast tehnic a utilizat-o i Samuel Morse cnd a definit alfabetul
Morse.
n codul Huffman, frecvena de apariie a caracterelor din textul
surs, trebuie cunoscut sau estimat. Apoi, se asociaz fiecrui simbol o
secven de bii unic, care este definit utiliznd un arbore binar.
Un cod Huffman este construit astfel:
- se ordoneaz descresctor, dup frecven sau probabilitatea de
apariie, simbolurile din textul surs;
- se consider fiecare simbol un nod n arbore, fiecrui nod fiindu-i
asociat o probabilitate (frecvena) de apariie;
- se leag dou noduri cu probabilitatea de apariie cea mai mic,
ntr-un nod a crui probabilitate este dat de suma probabilitilor
celor dou noduri acest proces se ncheie n momentul n care
rmne un nod nelegat.

Rezultatul acestei operaii este un arbore binar, n care ramura

stng a unui nod printe are eticheta 0, iar ramura din dreapta, eticheta
1.
S presupunem c textul nostru iniial este format din 40 de
caractere, utiliznd un alfabet din 8 simboluri; frecvenele de apariie ale
fiecrui simbol, sunt calculate ca raport ntre numrul de apariii a
simbolului respectiv i numrul total de caractere ale textului.
n tabelul de mai jos, presupunem numrul de apariii ale simbolurilor
i n funcie de acest numr calculm numrul total de bii pe care l ocup
simbolul respectiv, n reprezentarea normal (8 bii/caracter).
Tabelul nr. 23.6 Varianta I de construire a codului Huffman
Simbol

Nr. de apariii
simbol

0
1
2
3
4
5
6
7
Total

12
8
6
5
4
3
2
0
40

Total nr. de bii

pentru un simbol
(reprez. normal)
96
64
48
40
32
24
16
0
320
0

30%

Total nr. de bii

pentru un simbol
(cod Huffman)
12
16
18
20
20
18
14
0
118
0

0
0

20%

10

1
100 %

15%
12%
10%

110

2
3

35 %
0

5%

23%

13 %
5%

1
1110

50 %

8%

0%

70 %

11110
111110

1
1111110

1
1111111

Figura 23.1 Structura arborescent a codurilor Huffman

Dac ns, cuplm nodurile n felul urmtor:

30%

20%

15%

12%

110

100%

27%

70%
43%

8%

5%

6
7

11110
23%

13%
5%

101

1110

0
0

10%

100

0%

111110

111111

Figura 23.2 Structura arborescent a codurilor Huffman dup cuplarea

nodurilor
vom obine:
Tabelul nr. 23.7 Varianta II de construire a codurilor Huffman
Simbol
0
1
2
3
4
5
6
7
Total

Nr. de
apariii
simbol
12
8
6
5
4
3
2
0
40

Total nr. de bii

pentru un simbol
(reprez. normal)
96
64
48
40
32
24
16
0
320

Total nr. de bii

pentru un simbol
(cod Huffman)
12
24
18
15
16
15
12
0
112

i se observ c am obinut un numr total de bii mai mic dect n prima

variant, iar diferena este cu att mai mare, cu ct avem texte de lungime
mai mari.
Observm, c pe lng faptul c codul Huffman folosete n medie,
un numr de bii mai mic dect codul ASCII pentru reprezentarea unui
caracter, mai are proprietatea c secvena binar asociat fiecrui simbol,
nu este prefixul unui alt simbol i de aceea, secvenele de bii sunt
concatenate fr s se foloseasc nici o punctuaie de delimitare a acestora.