El formato de archivo POSIX, también conocido como formato 'ar', es un formato de archivo utilizado para crear y administrar archivos de bibliotecas en sistemas operativos tipo Unix. Este formato fue estandarizado por el IEEE en la especificación POSIX.1-1988 y desde entonces ha sido ampliamente adoptado en varias plataformas. El formato ar permite agrupar varios archivos en un solo archivo para facilitar su almacenamiento, distribución y administración.
La estructura de un archivo POSIX consta de un encabezado global seguido de una serie de miembros de archivo. Cada miembro representa un archivo que se ha agregado al archivo. El encabezado global es una cadena ASCII simple que identifica el archivo como un archivo ar. Consiste en los caracteres '`!<arch> `', donde '` `' representa un carácter de nueva línea. Este encabezado siempre está presente al principio del archivo de almacenamiento.
Después del encabezado global, el archivo contiene una serie de miembros de archivo. Cada miembro está compuesto por un encabezado de archivo y los datos del archivo en sí. El encabezado del archivo es una estructura de tamaño fijo que contiene metadatos sobre el archivo, como su nombre, marca de tiempo de modificación, ID de propietario y grupo, modo de archivo y tamaño. El encabezado se rellena con espacios para mantener un tamaño fijo de 60 bytes.
El encabezado del archivo comienza con el nombre del archivo, que se almacena como una cadena ASCII terminada en nulo. El nombre del archivo está limitado a 16 caracteres y, si el nombre del archivo real es más largo, se trunca. Si el nombre del archivo tiene menos de 16 caracteres, se rellena con espacios. Después del nombre del archivo, el encabezado contiene la marca de tiempo de modificación del archivo, que se almacena como una cadena ASCII decimal. La marca de tiempo representa el número de segundos desde la época de Unix (1 de enero de 1970).
A continuación, el encabezado del archivo incluye los ID de propietario y grupo del archivo, almacenados como cadenas ASCII decimales. Estos ID se utilizan para los permisos de archivo y la administración de propiedad. El modo de archivo también se almacena en el encabezado como una cadena ASCII octal, que representa los permisos y el tipo del archivo. El modo indica si el archivo es un archivo normal, directorio, enlace simbólico o tiene permisos especiales.
El tamaño del archivo se almacena en el encabezado como una cadena ASCII decimal, que indica el número de bytes en los datos del archivo que siguen al encabezado. Si el tamaño del archivo no es un número par, se agrega un byte adicional de relleno a los datos del archivo para garantizar una alineación adecuada.
Después del encabezado del archivo, los datos del archivo real se almacenan en el archivo. Los datos se escriben tal cual, sin ningún formato o compresión adicional. Si el tamaño del archivo es impar, se agrega un byte adicional de relleno para mantener la alineación.
El proceso de creación de un archivo ar implica concatenar los encabezados de archivo y los datos de cada archivo miembro en un solo archivo de almacenamiento. La utilidad ar, que se encuentra comúnmente en sistemas tipo Unix, se utiliza para crear, modificar y extraer archivos de archivos ar. Al crear un archivo, la utilidad ar agrega el encabezado global, seguido de los encabezados de archivo y los datos de cada archivo miembro.
Extraer archivos de un archivo ar implica leer el encabezado global para verificar el formato del archivo y luego escanear el archivo para localizar los miembros del archivo deseados. La utilidad ar lee los encabezados de archivo para determinar los nombres de archivo, tamaños y compensaciones dentro del archivo. Luego extrae los datos del archivo según el tamaño y la información de ubicación almacenada en los encabezados.
Uno de los principales casos de uso del formato ar es la creación de archivos de biblioteca estática. Las bibliotecas estáticas son colecciones de archivos de objetos que se vinculan directamente a un ejecutable en tiempo de compilación. El formato ar permite agrupar varios archivos de objetos en un solo archivo de biblioteca, que luego se puede vincular con otros archivos de objetos o bibliotecas para crear el ejecutable final.
El formato ar también admite la creación de archivos delgados, que son archivos que contienen solo referencias a archivos externos en lugar de los datos del archivo en sí. Los archivos delgados son útiles para reducir el tamaño del archivo de almacenamiento y permitir un almacenamiento y distribución más eficientes de grandes colecciones de archivos.
Si bien el formato ar es ampliamente utilizado y compatible, tiene algunas limitaciones. El encabezado de archivo de tamaño fijo limita la longitud de los nombres de archivo y el tamaño máximo de archivo que se puede almacenar en el archivo. Además, el formato ar no proporciona ninguna compresión o cifrado integrados, lo que puede ser necesario para ciertos casos de uso.
A pesar de sus limitaciones, el formato de archivo POSIX sigue siendo un método simple y eficiente para agrupar y administrar colecciones de archivos en sistemas tipo Unix. Su estandarización y amplia adopción lo convierten en una opción confiable para crear bibliotecas estáticas, distribuir paquetes de software y archivar datos.
En resumen, el formato de archivo POSIX es un formato de archivo utilizado para crear y administrar archivos de bibliotecas en sistemas operativos tipo Unix. Consiste en un encabezado global seguido de una serie de miembros de archivo, cada uno de los cuales contiene un encabezado de archivo y los datos del archivo. La utilidad ar se utiliza para crear, modificar y extraer archivos de archivos ar, y el formato se utiliza comúnmente para crear archivos de biblioteca estática y agrupar colecciones de archivos. Si bien tiene algunas limitaciones, el formato ar sigue siendo un método simple y ampliamente compatible para administrar archivos en sistemas tipo Unix.
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.