El formato BSD TAR (Tape Archive) es un formato de archivo ampliamente utilizado para archivar y comprimir colecciones de archivos y directorios. Originalmente fue desarrollado para realizar copias de seguridad de datos en dispositivos de acceso secuencial como cintas magnéticas, pero ahora se utiliza comúnmente para distribuir paquetes de software y crear archivos de copia de seguridad en varios medios de almacenamiento. El formato TAR permite agrupar varios archivos en un único archivo de almacenamiento, al tiempo que conserva las estructuras de directorios, los atributos de los archivos y los permisos.
Un archivo TAR consta de una serie de encabezados de archivo y bloques de datos de archivo concatenados. Cada archivo del archivo está representado por un bloque de encabezado de 512 bytes seguido de los datos del archivo, que se rellenan hasta un múltiplo de 512 bytes. El bloque de encabezado contiene metadatos sobre el archivo, como su nombre, tamaño, propiedad, permisos y marcas de tiempo de modificación.
El bloque de encabezado del archivo tiene una estructura fija con campos de tamaños predefinidos. Algunos de los campos clave incluyen:
- Nombre del archivo (100 bytes): El nombre del archivo, normalmente limitado a 255 caracteres, terminado por un byte nulo.
- Modo de archivo (8 bytes): Los permisos y el tipo del archivo, almacenados como un número octal.
- ID de usuario del propietario (8 bytes): El ID de usuario numérico del propietario del archivo.
- ID de usuario del grupo (8 bytes): El ID de grupo numérico del propietario del archivo.
- Tamaño del archivo (12 bytes): El tamaño del archivo en bytes, almacenado como un número octal.
- Hora de modificación (12 bytes): La marca de tiempo de la última modificación del archivo, almacenada como el número de segundos desde el 1 de enero de 1970, en octal.
- Suma de comprobación del encabezado (8 bytes): Una suma de comprobación del bloque de encabezado, utilizada para detectar corrupción.
Después del bloque de encabezado, los datos del archivo se almacenan en bloques contiguos de 512 bytes. Si el tamaño del archivo no es un múltiplo de 512 bytes, el último bloque se rellena con bytes nulos. El final del archivo está marcado por dos bloques consecutivos de 512 bytes rellenos con bytes nulos.
Una de las limitaciones del formato TAR original es que no admite archivos de más de 8 GB debido al campo de tamaño de archivo de 12 bytes. Para superar esta limitación, extensiones posteriores como el formato POSIX.1-2001 (pax) introdujeron campos de encabezado adicionales para admitir archivos de mayor tamaño.
El formato TAR en sí no proporciona compresión de datos. Sin embargo, es una práctica común comprimir archivos TAR utilizando algoritmos de compresión como gzip, bzip2 o xz. A los archivos resultantes a menudo se les dan extensiones como .tar.gz, .tgz, .tar.bz2, .tbz2, .tar.xz o .txz para indicar el método de compresión utilizado.
La creación y extracción de archivos TAR es compatible con la mayoría de los sistemas operativos y se puede realizar mediante herramientas de línea de comandos o interfaces gráficas de usuario. En sistemas similares a Unix, el comando tar se utiliza comúnmente. Por ejemplo:
- Para crear un archivo TAR: `tar -cf archive.tar file1 file2 directory/`
- Para extraer un archivo TAR: `tar -xf archive.tar`
- Para crear un archivo TAR comprimido: `tar -czf archive.tar.gz file1 file2 directory/`
Además del formato TAR básico, existen varias variaciones y extensiones, como el formato GNU TAR, que agrega soporte para archivos dispersos, nombres de archivos largos y atributos extendidos. Estas extensiones proporcionan funcionalidad adicional al tiempo que mantienen la compatibilidad con el formato TAR básico.
La simplicidad y portabilidad del formato TAR han contribuido a su amplia adopción en diferentes plataformas y casos de uso. Sigue siendo una opción popular para el archivado, la copia de seguridad y la distribución de software, a menudo en combinación con métodos de compresión para reducir los requisitos de almacenamiento y los tiempos de transmisión.
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.