7-Zip es una popular herramienta de compresión y archivado que utiliza su propio formato de archivo, conocido como formato 7z. Desarrollado por Igor Pavlov, el formato 7z fue diseñado para proporcionar altas tasas de compresión, encriptación robusta y soporte para múltiples métodos de compresión. Este artículo técnico profundizará en los detalles del formato de archivo 7z, su estructura y las diversas técnicas de compresión y encriptación que emplea.
El formato 7z es un contenedor que puede almacenar múltiples archivos y directorios, junto con sus metadatos, en un solo archivo comprimido. Soporta compresión sólida, que permite que múltiples archivos sean comprimidos juntos, resultando en mejores tasas de compresión en general. El formato también incluye características como compresión de encabezados, multi-threading y la capacidad de dividir archivos en múltiples volúmenes.
La estructura de un archivo 7z consiste en tres partes principales: el encabezado de firma, el encabezado y los bloques de datos comprimidos. El encabezado de firma es una secuencia de 6 bytes que identifica al archivo como un archivo 7z. Siempre comienza con los bytes '7z\xBC\xAF\x27\x1C'. El encabezado sigue a la firma y contiene información esencial sobre el archivo, como la versión, el número de archivos y los métodos de compresión utilizados.
El encabezado se divide en varias subpartes, incluyendo las propiedades del archivo, la información de flujo y la información de archivo. Las propiedades del archivo almacenan información general sobre el archivo, como el número de archivos y la fecha de creación. La información de flujo contiene detalles sobre los bloques de datos comprimidos, como su tamaño y los métodos de compresión utilizados. La información de archivo almacena metadatos para cada archivo en el archivo comprimido, incluyendo el nombre del archivo, tamaño y atributos.
Una de las características clave del formato 7z es su soporte para múltiples métodos de compresión. Los métodos más comunes utilizados en archivos 7z son LZMA (Algoritmo de Cadena Lempel-Ziv-Markov) y LZMA2. LZMA es un algoritmo de compresión de alto rendimiento que ofrece excelentes tasas de compresión, especialmente para archivos de texto y ejecutables. LZMA2 es una versión mejorada de LZMA que ofrece mejor soporte para multi-threading y velocidades de descompresión más rápidas.
Además de LZMA y LZMA2, el formato 7z también soporta otros métodos de compresión, como BZip2, PPMd y Delta. BZip2 es un algoritmo de compresión de propósito general que proporciona buenas tasas de compresión para una amplia gama de tipos de archivo. PPMd es un método de compresión estadística que funciona bien para archivos de texto y puede lograr tasas de compresión muy altas. La compresión Delta se utiliza para almacenar diferencias entre archivos similares, lo que puede reducir significativamente el tamaño del archivo al almacenar múltiples versiones del mismo archivo.
El formato 7z también incluye fuertes capacidades de encriptación para proteger el contenido del archivo. Soporta el algoritmo de encriptación AES-256, que se considera uno de los métodos de encriptación más seguros disponibles. Cuando un archivo es encriptado, todos los nombres de archivo, metadatos y bloques de datos comprimidos están protegidos, haciendo prácticamente imposible que usuarios no autorizados accedan al contenido del archivo sin la contraseña correcta.
Para garantizar la integridad de los datos, el formato 7z utiliza una combinación de valores hash de verificación de redundancia cíclica (CRC) y SHA-256. Cada bloque de datos comprimido tiene un valor CRC que se utiliza para detectar y corregir errores durante la descompresión. Además, el encabezado del archivo y los metadatos del archivo están protegidos por valores hash SHA-256, que pueden usarse para verificar la integridad del archivo y su contenido.
El formato 7z también admite la creación de archivos autoextraíbles (SFX). Un archivo SFX es un archivo ejecutable que incluye los datos comprimidos y el código de extracción necesario. Cuando se ejecuta, el archivo SFX extrae automáticamente el contenido en una ubicación especificada, sin necesidad de ningún software adicional. Esta característica facilita la distribución de archivos comprimidos a usuarios que pueden no tener una herramienta de extracción compatible instalada.
Una de las ventajas del formato 7z es su arquitectura abierta, que permite a los desarrolladores crear herramientas y bibliotecas compatibles. El propio software 7-Zip es de código abierto y su código fuente está disponible bajo la Licencia Pública General Reducida de GNU (LGPL). Esto ha llevado al desarrollo de varias herramientas y complementos de terceros que pueden crear, extraer y manipular archivos 7z.
En conclusión, el formato de archivo 7z es un poderoso y versátil contenedor de compresión que ofrece altas tasas de compresión, encriptación robusta y soporte para múltiples métodos de compresión. Sus características avanzadas, como la compresión sólida, el multi-threading y los archivos autoextraíbles, lo convierten en una opción atractiva tanto para usuarios individuales como para entornos empresariales. A medida que el formato continúa evolucionando y mejorando, es probable que siga siendo una opción popular para la compresión y el archivado de archivos.
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.