El formato GNU TAR (Tape Archive) es un formato de compresión y archivo de archivos ampliamente utilizado en sistemas operativos tipo Unix. Originalmente fue diseñado para realizar copias de seguridad de archivos en cinta magnética, pero ahora se utiliza comúnmente para recopilar muchos archivos en un único archivo de almacenamiento comprimido para un almacenamiento y transmisión eficientes. El formato TAR permite conservar los atributos de los archivos, las estructuras de directorios y admite varios algoritmos de compresión.
Un archivo TAR consta de una serie de registros de encabezado de archivo y bloques de datos de archivo. Cada archivo del archivo está representado por un registro de encabezado que contiene metadatos sobre el archivo, seguido de los datos del archivo en sí. El registro de encabezado tiene un tamaño de 512 bytes y contiene campos como el nombre del archivo, el modo de archivo (permisos), los ID de propietario y grupo, el tamaño del archivo, la hora de modificación y la suma de comprobación.
El campo de nombre de archivo en el registro de encabezado puede tener hasta 100 caracteres. Si un nombre de archivo supera los 100 caracteres, se almacena utilizando el campo 'prefijo', que tiene 155 bytes adicionales. El prefijo se concatena con el nombre del archivo para crear la ruta completa. El campo de modo de archivo contiene los permisos de archivo de Unix y el tipo de archivo (archivo normal, directorio, enlace simbólico, etc.).
Después del registro de encabezado están los datos del archivo, que 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. Los bloques de datos de cada archivo se escriben secuencialmente en el archivo, sin separadores ni delimitadores entre archivos.
Los archivos TAR admiten varios tipos de registros de encabezado además de archivos y directorios normales. Los enlaces simbólicos y los enlaces físicos se representan mediante registros de encabezado especiales que hacen referencia al archivo de destino. También se admiten archivos de dispositivos, canalizaciones con nombre y otros tipos de archivos especiales. Los atributos extendidos y las ACL se pueden almacenar utilizando encabezados de formato de intercambio pax.
Una característica clave del formato TAR es su compatibilidad con nombres de archivos y rutas largas. Las primeras versiones de TAR estaban limitadas a nombres de archivo de 100 caracteres, pero las versiones posteriores, como el formato USTAR (Unix Standard TAR) ampliamente utilizado, lo ampliaron para admitir nombres más largos. El estándar POSIX.1-2001 introdujo un nuevo formato extensible que permite nombres de archivos y rutas aún más largos, así como campos de metadatos adicionales.
La compresión se utiliza comúnmente junto con los archivos TAR para reducir el tamaño del archivo. Los métodos de compresión más populares son gzip (.tar.gz o .tgz), bzip2 (.tar.bz2) y xz (.tar.xz). Estos archivos TAR comprimidos se crean creando primero un archivo TAR normal y luego comprimiéndolo con el algoritmo de compresión elegido. Al extraer un archivo TAR comprimido, primero se elimina la compresión y luego se aplica el proceso de extracción TAR normal.
El formato TAR también incluye mecanismos integrados de detección y recuperación de errores. Cada registro de encabezado contiene un campo de suma de comprobación que se calcula cuando se crea el archivo. Al extraer archivos de un archivo TAR, se verifica la suma de comprobación para garantizar la integridad de los datos. Si se detecta una discrepancia en la suma de comprobación, se informa un error y la extracción puede omitir el archivo afectado o intentar recuperar tantos datos como sea posible.
Además del formato TAR básico, existen varias variaciones y extensiones en uso. La versión GNU de TAR, que se utiliza ampliamente en las distribuciones de Linux, incluye funciones adicionales como archivos multivolumen, compatibilidad con archivos dispersos y copias de seguridad incrementales. Otras extensiones, como star y pax, ofrecen un rendimiento mejorado, compatibilidad con sistemas que no son Unix y compatibilidad con metadatos extendidos.
A pesar de su antigüedad y limitaciones, el formato TAR sigue siendo ampliamente utilizado debido a su simplicidad, portabilidad y amplia compatibilidad en diferentes plataformas y herramientas. Sirve como base para muchas soluciones de copia de seguridad y archivo de nivel superior, y a menudo se utiliza como formato de contenedor para distribuir paquetes de software y código fuente. A medida que han surgido nuevas tecnologías y medios de almacenamiento, el formato TAR se ha adaptado y evolucionado para satisfacer las necesidades cambiantes, asegurando su continua relevancia en los entornos informáticos modernos.
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.