PAX (Pre-Allocate eXtension) es un formato de archivo comprimido de código abierto desarrollado por Microsoft como una alternativa moderna a formatos existentes como ZIP, RAR y tar. Fue diseñado para abordar las limitaciones y mejorar la compresión, el rendimiento, la seguridad y la funcionalidad del manejo de archivos en sistemas y dispositivos modernos.
Las características diferenciadoras clave del formato PAX incluyen una compresión mejorada mediante algoritmos modernos, acceso aleatorio eficiente a archivos dentro de archivos, soporte nativo de subprocesos múltiples, metadatos extensibles, cifrado integrado y verificación de integridad, y una especificación abierta documentada para fomentar una amplia adopción e interoperabilidad.
Los archivos PAX utilizan la extensión de archivo .pax y tienen una estructura interna de varias partes que consta de un encabezado, un directorio central, bloques de datos comprimidos y un pie de página. Esto permite que la información clave como el contenido del archivo, los parámetros de compresión y los hashes de integridad se almacenen por separado de los datos del archivo comprimido real.
El encabezado PAX comienza con un número mágico de 4 bytes (50 41 58 00 en hexadecimal) para su identificación. Luego contiene campos para la versión PAX, el método de compresión, el método de cifrado, el método hash, el tamaño del bloque, el número de subprocesos de compresión paralelos y varias marcas. El encabezado termina con metadatos XML extensibles que proporcionan detalles sobre el archivo.
Después del encabezado está el directorio central PAX. Este contiene una entrada para cada archivo/carpeta comprimido en el archivo, almacenando la ruta completa, los atributos, los tamaños, los desplazamientos de bloque y los hashes. Tener esto en un solo lugar permite enumerar de manera eficiente el contenido del archivo y el acceso aleatorio a archivos individuales sin escanear datos comprimidos.
La mayor parte de un archivo PAX es una serie de bloques de datos comprimidos. Cada bloque tiene un encabezado pequeño que indica el tamaño descomprimido y comprimido, seguido de un fragmento de datos de archivo comprimido con el algoritmo configurado. Los bloques tienen un tamaño predeterminado de 1 MB, pero esto se puede ajustar en el encabezado del archivo.
Los bloques de datos comprimidos se cifran opcionalmente si se especifica un método de cifrado. PAX admite esquemas de cifrado modernos como AES-256. La contraseña del archivo se utiliza para derivar una clave que cifra cada bloque de forma independiente, lo que permite un acceso aleatorio eficiente. Para la autenticación, PAX hash las contraseñas con un KDF seguro.
Para la compresión, PAX admite una variedad de códecs modernos de propósito general optimizados para una descompresión rápida: LZMA, LZ4, Brotli, Zstandard, etc. También permite preprocesadores para una mayor reducción de tamaño en tipos de archivos específicos (por ejemplo, codificación Delta en EXEs/DLLs, codificación E8E9 en código x86). Los códecs y preprocesadores se aplican en una canalización.
Para permitir una compresión eficiente de subprocesos múltiples, los archivos se dividen en bloques comprimidos de forma independiente que pueden ser procesados por instancias de códec paralelas. El compresor PAX se escala automáticamente para utilizar todos los núcleos de CPU disponibles. Una partición similar permite la descompresión paralela para una extracción más rápida.
PAX proporciona integridad de datos y detección de alteraciones al almacenar hashes de los datos originales y comprimidos. Los archivos llevan un hash de encabezado para detectar el truncamiento. El directorio central también se hash para evitar la manipulación de los metadatos del archivo. La corrupción de bits en los datos comprimidos se detecta mediante el hash de cada bloque.
Al final de un archivo PAX está el pie de página. Este contiene una copia de los campos del encabezado, el desplazamiento/tamaño del directorio central y un hash de todo el archivo. El pie de página tiene un tamaño fijo y siempre está al final del archivo, lo que permite una fácil ubicación y verificación de los archivos PAX.
Los archivos PAX se pueden actualizar de manera eficiente modificando el directorio central y agregando bloques de datos modificados, en lugar de reescribir archivos completos como ZIP. Los archivos completos se pueden insertar, eliminar o reemplazar actualizando los metadatos y agregando/eliminando los bloques relevantes. Los archivos también se pueden agregar rápidamente.
Para mitigar las vulnerabilidades de deslizamiento de cremallera, PAX requiere rutas explícitas (sin recorrido ../) y evita escribir fuera de la raíz de extracción. Los campos de metadatos ZIP extensos que permitieron la denegación de servicio están restringidos. Las bombas de compresión se mitigan mediante límites en la relación de compresión y el uso de memoria.
Las marcas de tiempo de los archivos en los archivos PAX utilizan un formato estándar de 64 bits que cubre una amplia gama de fechas con una precisión de 1 segundo. Se admiten atributos para permisos POSIX y ACL de Windows. PAX puede almacenar flujos de datos alternativos NTFS y bifurcaciones de recursos. Los enlaces simbólicos y los enlaces físicos también son representables.
El SDK PAX de código abierto proporciona API simples para crear, extraer, actualizar y verificar archivos PAX mediante programación. Maneja todos los detalles de bajo nivel del formato PAX. El SDK está disponible en varios idiomas, incluidos C, C++, C#, Java, Python, JavaScript, Go y Rust.
En resumen, el formato de archivo PAX se basa en los cimientos de formatos probados como ZIP al tiempo que introduce características y optimizaciones modernas: compresión eficiente, subprocesos múltiples, acceso aleatorio, seguridad y una especificación abierta. Esto hace que PAX sea ideal para una amplia gama de escenarios de archivo en los sistemas actuales.
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.