EL HUFFMANIFICADOR Python · Pyodide

Algoritmos voraces · Compresión de Huffman y Árbol de Expansión Mínima

Entrada de datos · Project Gutenberg

o sube tu archivo

Métricas de compresión

ESPERANDO LIBRO

LIBRO CARGADO

Ninguno todavía

Busca un libro en Gutenberg o sube un .txt para comenzar.

Tamaño original—8 bits por carácter
Comprimido .mc——
Ahorro——
Entropía Shannon—Prom. bits/carácter
Idioma detectado——
Decodificado = original—Se comprueba byte por byte
Reducción del tamaño del archivo0 %

Árbol de Huffman no generado

Elige un libro de Project Gutenberg o sube un archivo .txt para construir el árbol, ver los códigos y medir cuánto se ahorra.

Hoja (carácter) Nodo interno (suma) 0 izquierda · 1 derecha
Símbolos únicos: 0

Haz clic en un carácter para ver su camino en el árbol.

CarácterUnicodeFrecuenciaProbabilidadCódigo HuffmanBits

Bitstream resultante

Presiona CODIFICAR para ver la cadena de bits…

Decodificador de verificación (sin pérdida)

Reconstruye el texto recorriendo el árbol bit por bit: 0 = izquierda, 1 = derecha; al llegar a una hoja se escribe su carácter.

El texto reconstruido aparecerá aquí…
en el árbol evaluando rechazada sin evaluar

Bitácora

#AristaPesoDecisión

La idea: algoritmos voraces

Un algoritmo voraz toma en cada paso la decisión que se ve mejor en ese momento y nunca la deshace. No siempre funciona, pero en estos tres problemas está demostrado que llega a la solución óptima.

Huffman: comprimir texto

Un .txt guarda cada carácter con 8 bits, aunque unos aparezcan muchísimo más que otros. Huffman da códigos cortos a los caracteres frecuentes y largos a los raros.

  1. Contar cuántas veces aparece cada carácter.
  2. Construir el árbol: sacar los dos nodos menos frecuentes de una cola de prioridad, unirlos en un nodo que vale la suma y regresarlo a la cola. Repetir hasta que quede uno (la raíz).
  3. Códigos: recorrer el árbol; izquierda = 0, derecha = 1.
  4. Codificar: cambiar cada carácter por su código y empaquetar los bits en bytes (archivo .mc, que también guarda la tabla de frecuencias).
  5. Decodificar: leer bit por bit bajando por el árbol; al llegar a una hoja se escribe su carácter y se vuelve a la raíz.

Ningún código es el inicio de otro (código prefijo), por eso no hay ambigüedad al decodificar. Construir el árbol cuesta O(n log n) con n = caracteres distintos.

Árbol de expansión mínima

Conectar todos los nodos de un grafo con el menor costo total y sin ciclos.

  • Kruskal: ordena las aristas de la más barata a la más cara y las va tomando; descarta las que formarían un ciclo (Union-Find). O(E log E).
  • Prim: empieza en un nodo y crece agregando la arista más barata que sale del árbol hacia un nodo nuevo (heap). O(E log V).

Los dos siempre llegan al mismo peso mínimo; la página lo comprueba al terminar.

Detección de idioma

Se cuentan las palabras vacías de cada idioma (artículos, preposiciones, conjunciones: de, la, que, the, and, der, und…). Forman casi la mitad de cualquier texto, así que el idioma con más coincidencias es el del libro. Las letras propias (ñ, ç, ß, ã) suman un poco más. Antes se quita el encabezado de Gutenberg, que siempre está en inglés.

¿Cómo está hecha esta página?

Los algoritmos están escritos en Python (carpetas huffman/, mst/ e idioma/) y se ejecutan en tu navegador con Pyodide. JavaScript solo dibuja la interfaz. El buscador consulta gutenberg.org a través de un pequeño servidor (Cloudflare Worker), porque Gutenberg no permite que otras páginas lean sus libros directamente.

Procesando…