El formato RAR (Roshal Archive) es un formato de archivo propietario desarrollado por Eugene Roshal. Fue lanzado por primera vez en 1993 y desde entonces se ha convertido en una opción popular para la compresión y el archivado de datos debido a su compresión eficiente, compatibilidad con múltiples volúmenes, recuperación de errores y cifrado sólido. El formato utiliza una combinación de algoritmos de compresión sin pérdida, incluidos LZSS, PPM y codificación Huffman, para lograr altas tasas de compresión al tiempo que se preserva la integridad de los datos.
Un archivo RAR consta de una serie de "bloques" que contienen archivos comprimidos, directorios y metadatos. El archivo comienza con un bloque marcador, que identifica el archivo como un archivo RAR y especifica la versión del archivo. Después del bloque marcador, el archivo contiene un bloque de encabezado principal que proporciona información general sobre el archivo, como el tamaño total, el número de volúmenes y el método de cifrado utilizado (si corresponde).
Cada archivo comprimido dentro del archivo se almacena como un bloque de encabezado de archivo seguido de uno o más bloques de datos comprimidos. El bloque de encabezado de archivo contiene metadatos sobre el archivo, como su nombre, tamaño, marca de tiempo, atributos y suma de comprobación CRC32. Los bloques de datos comprimidos contienen los datos reales del archivo comprimido, que se pueden dividir en varios bloques si es necesario.
RAR utiliza un enfoque de archivo sólido, lo que significa que los archivos se comprimen juntos como un único flujo de datos continuo, en lugar de comprimirse individualmente. Este enfoque puede generar mayores tasas de compresión, particularmente para colecciones de archivos similares, ya que el compresor puede aprovechar las redundancias entre archivos. Sin embargo, los archivos sólidos pueden ser menos resistentes a la corrupción de datos, ya que un solo error puede afectar a varios archivos.
Para garantizar la integridad de los datos, RAR emplea un sistema de registro de recuperación. Los registros de recuperación son bloques especiales que contienen información redundante sobre la estructura del archivo y los metadatos del archivo. En caso de corrupción de datos, estos registros se pueden utilizar para reconstruir partes dañadas del archivo. El usuario puede configurar el número y el tamaño de los registros de recuperación al crear el archivo.
RAR admite archivos multivolumen, lo que permite dividir archivos grandes en partes más pequeñas y manejables. Cada volumen en un archivo multivolumen es un archivo RAR separado con su propio bloque marcador y encabezado, pero con información adicional que indica su posición dentro del conjunto. Los archivos multivolumen pueden ser útiles para almacenar o transferir grandes conjuntos de datos a través de medios de almacenamiento con capacidad limitada, como CD o DVD.
El formato RAR ofrece potentes capacidades de cifrado para proteger datos confidenciales. Los archivos se pueden cifrar utilizando el algoritmo AES (Estándar de cifrado avanzado) con una clave de 128 o 256 bits. Cuando se cifra un archivo, todos los datos y metadatos del archivo están protegidos y se requiere una contraseña para extraer el contenido. RAR también admite un algoritmo de cifrado propietario más nuevo llamado RAR5, que está diseñado para ser más seguro que el método AES anterior.
Una de las características distintivas del formato RAR es su compatibilidad con la compresión de archivos divididos. Esta función permite dividir archivos grandes en partes más pequeñas antes de la compresión, que luego el descompresor puede extraer y volver a ensamblar de forma transparente. La compresión de archivos divididos puede ser útil para optimizar el almacenamiento o la transmisión de archivos grandes a través de redes de ancho de banda limitado o conectadas intermitentemente.
Además de sus capacidades de compresión y archivo, RAR también admite varias funciones avanzadas, como comentarios de archivo, listas de archivos protegidas con contraseña y verificación de autenticidad mediante firmas digitales. Los comentarios de archivo permiten a los usuarios adjuntar texto descriptivo a un archivo, que se puede utilizar para proporcionar contexto adicional o instrucciones para extraer el contenido. Las listas de archivos protegidas con contraseña mantienen ocultos los nombres de los archivos cifrados hasta que se proporciona la contraseña correcta. La verificación de firma digital permite a los usuarios asegurarse de que un archivo proviene de una fuente confiable y no ha sido manipulado.
Si bien el formato RAR ofrece muchos beneficios en términos de eficiencia de compresión, protección de datos y riqueza de funciones, tiene algunos inconvenientes. El más significativo de ellos es que RAR es un formato propietario y las implementaciones oficiales del compresor y descompresor son de código cerrado. Esto puede limitar la interoperabilidad y dificultar que los desarrolladores externos creen herramientas compatibles. Además, es posible que algunos de los descompresores no admitan las funciones más avanzadas de RAR, como el algoritmo de cifrado RAR5.
A pesar de estas limitaciones, RAR sigue siendo un formato de archivo ampliamente utilizado y bien compatible, particularmente en sistemas Windows. Su compresión eficiente, recuperación de errores robusta y potentes funciones de cifrado lo convierten en una opción sólida para archivar y proteger datos importantes. Con el uso adecuado de registros de recuperación, archivos multivolumen y copias de seguridad periódicas, los archivos RAR pueden proporcionar un almacenamiento confiable a largo plazo para archivos y conjuntos de datos críticos.
La compresión de archivos reduce la redundancia para que la misma información ocupe menos bits. El límite superior de hasta dónde se puede llegar está gobernado por la teoría de la información: para la compresión sin pérdidas, el límite es la entropía de la fuente (véase el teorema de codificación de fuente y su artículo original de 1948 “Una teoría matemática de la comunicación”). Para la compresión con pérdidas, el equilibrio entre la tasa y la calidad se captura mediante la teoría de la tasa-distorsión.
La mayoría de los compresores tienen dos etapas. Primero, un modelo predice o expone la estructura de los datos. Segundo, un codificador convierte esas predicciones en patrones de bits casi óptimos. Una familia clásica de modelado es Lempel-Ziv: LZ77 (1977) y LZ78 (1978) detectan subcadenas repetidas y emiten referencias en lugar de bytes sin procesar. En el lado de la codificación, la codificación de Huffman (véase el artículo original de 1952) asigna códigos más cortos a los símbolos más probables. La codificación aritmética y la codificación por rangos son alternativas más detalladas que se acercan más al límite de la entropía, mientras que los modernos Sistemas Numéricos Asimétricos (ANS) logran una compresión similar con implementaciones rápidas basadas en tablas.
DEFLATE (utilizado por gzip, zlib y ZIP) combina LZ77 con la codificación de Huffman. Sus especificaciones son públicas: DEFLATE RFC 1951, envoltura zlib RFC 1950, y formato de archivo gzip RFC 1952. Gzip está diseñado para la transmisión y explícitamente no intenta proporcionar acceso aleatorio. Las imágenes PNG estandarizan DEFLATE como su único método de compresión (con una ventana máxima de 32 KiB), según la especificación de PNG “Método de compresión 0… deflate/inflate… como máximo 32768 bytes” y W3C/ISO PNG 2ª Edición.
Zstandard (zstd): un compresor de propósito general más nuevo diseñado para altas relaciones de compresión con una descompresión muy rápida. El formato está documentado en RFC 8878 (también espejo HTML) y la especificación de referencia en GitHub. Al igual que gzip, el marco básico no tiene como objetivo el acceso aleatorio. Uno de los superpoderes de zstd son los diccionarios: pequeñas muestras de su corpus que mejoran drásticamente la compresión en muchos archivos pequeños o similares (véase documentación del diccionario python-zstandard y el ejemplo práctico de Nigel Tao). Las implementaciones aceptan diccionarios tanto “no estructurados” como “estructurados” (discusión).
Brotli: optimizado para contenido web (por ejemplo, fuentes WOFF2, HTTP). Mezcla un diccionario estático con un núcleo de entropía+LZ similar a DEFLATE. La especificación es RFC 7932, que también señala una ventana deslizante de 2WBITS−16 con WBITS en [10, 24] (1 KiB−16 B hasta 16 MiB−16 B) y que no intenta el acceso aleatorio. Brotli a menudo supera a gzip en texto web mientras se decodifica rápidamente.
Contenedor ZIP: ZIP es un archivo de ficheros que puede almacenar entradas con varios métodos de compresión (deflate, store, zstd, etc.). El estándar de facto es la APPNOTE de PKWARE (véase APPNOTE portal, una copia alojada, y resúmenes de LC Formato de archivo ZIP (PKWARE) / ZIP 6.3.3).
LZ4 se centra en la velocidad bruta con relaciones modestas. Véase su página del proyecto („compresión extremadamente rápida“) y formato de trama. Es ideal para cachés en memoria, telemetría o rutas calientes donde la descompresión debe ser cercana a la velocidad de la RAM.
XZ / LZMA buscan la densidad (grandes relaciones) con una compresión relativamente lenta. XZ es un contenedor; el trabajo pesado lo realiza normalmente LZMA/LZMA2 (modelado tipo LZ77 + codificación por rangos). Véase formato de archivo .xz, la especificación de LZMA (Pavlov), y las notas del kernel de Linux sobre XZ Embedded. XZ suele comprimir más que gzip y a menudo compite con los códecs modernos de alta relación, pero con tiempos de codificación más lentos.
bzip2 aplica la Transformada de Burrows-Wheeler (BWT), move-to-front, RLE y codificación de Huffman. Suele ser más pequeño que gzip pero más lento; véase el manual oficial y las páginas del manual (Linux).
El „tamaño de la ventana“ importa. Las referencias de DEFLATE solo pueden mirar hacia atrás 32 KiB (RFC 1951 y el límite de 32 KiB de PNG señalado aquí). La ventana de Brotli varía de aproximadamente 1 KiB a 16 MiB (RFC 7932). Zstd ajusta la ventana y la profundidad de búsqueda por nivel (RFC 8878). Los flujos básicos de gzip/zstd/brotli están diseñados para la decodificación secuencial; los formatos base no prometen acceso aleatorio, aunque los contenedores (por ejemplo, índices tar, tramas fragmentadas o índices específicos del formato) pueden superponerlo.
Los formatos anteriores son sin pérdidas: se pueden reconstruir los bytes exactos. Los códecs de medios suelen ser con pérdidas: descartan detalles imperceptibles para alcanzar tasas de bits más bajas. En imágenes, el JPEG clásico (DCT, cuantificación, codificación de entropía) está estandarizado en ITU-T T.81 / ISO/IEC 10918-1. En audio, MP3 (MPEG-1 Layer III) y AAC (MPEG-2/4) se basan en modelos perceptuales y transformadas MDCT (véase ISO/IEC 11172-3, ISO/IEC 13818-7, y un resumen de MDCT aquí). Con y sin pérdidas pueden coexistir (por ejemplo, PNG para activos de interfaz de usuario; códecs web para imágenes/vídeo/audio).
Teoría: Shannon 1948 · Tasa-distorsión · Codificación: Huffman 1952 · Codificación aritmética · Codificación por rangos · ANS. Formatos: DEFLATE · zlib · gzip · Zstandard · Brotli · Trama LZ4 · Formato XZ. Pila BWT: Burrows–Wheeler (1994) · manual de bzip2. Medios: JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
En resumen: elija un compresor que se ajuste a sus datos y restricciones, mida con entradas reales y no olvide las ganancias de los diccionarios y el entramado inteligente. Con la combinación adecuada, puede obtener archivos más pequeños, transferencias más rápidas y aplicaciones más ágiles, sin sacrificar la corrección o la portabilidad.
La compresión de archivos es un proceso que reduce el tamaño de un archivo o archivos, típicamente para ahorrar espacio de almacenamiento o acelerar la transmisión a través de una red.
La compresión de archivos funciona identificando y eliminando la redundancia en los datos. Utiliza algoritmos para codificar los datos originales en un espacio menor.
Los dos tipos principales de compresión de archivos son la compresión sin pérdida y la compresión con pérdida. La compresión sin pérdida permite restaurar perfectamente el archivo original, mientras que la compresión con pérdida permite una reducción de tamaño más significativa a costa de alguna pérdida en la calidad de los datos.
Un ejemplo popular de una herramienta de compresión de archivos es WinZip, que admite varios formatos de compresión incluyendo ZIP y RAR.
Con la compresión sin pérdida, la calidad permanece sin cambios. Sin embargo, con la compresión con pérdida, puede haber una disminución notable en la calidad, ya que elimina datos menos importantes para reducir de manera más significativa el tamaño del archivo.
Sí, la compresión de archivos es segura en términos de integridad de datos, especialmente con la compresión sin pérdida. Sin embargo, como en todos los archivos, los archivos comprimidos pueden ser objeto de malware o virus, por lo que siempre es importante tener un software de seguridad de confianza en funcionamiento.
Casi todos los tipos de archivos se pueden comprimir, incluyendo archivos de texto, imágenes, audio, video y archivos de software. Sin embargo, el nivel de compresión alcanzable puede variar significativamente entre los tipos de archivos.
Un archivo ZIP es un tipo de formato de archivo que utiliza compresión sin pérdida para reducir el tamaño de uno o varios archivos. Varios archivos en un archivo ZIP se agrupan efectivamente en un solo archivo, lo que también facilita la compartición.
Técnicamente, sí, aunque la reducción de tamaño adicional podría ser mínima o incluso contraproducente. Comprimir un archivo ya comprimido a veces aumenta su tamaño debido a los metadatos agregados por el algoritmo de compresión.
Para descomprimir un archivo, generalmente necesitas una herramienta de descompresión, como WinZip o 7-Zip. Estas herramientas pueden extraer los archivos originales del formato comprimido.