El PAX (Packed Archive Format) es un formato de archivo utilizado para archivar y comprimir archivos y directorios. Fue desarrollado originalmente por Google y se basa en una combinación de técnicas de los formatos ZIP y tar. PAX tiene como objetivo proporcionar una compresión eficiente, acceso aleatorio rápido a los archivos y extensibilidad para metadatos personalizados.
En su núcleo, un archivo PAX consta de un directorio central que contiene metadatos sobre los archivos archivados, seguido de los datos del archivo comprimido en sí. El directorio central siempre se encuentra al final del archivo para un acceso rápido sin necesidad de escanear todo el archivo.
Cada entrada de archivo en el directorio central incluye información como la ruta del archivo, el tamaño, la marca de tiempo, la suma de comprobación CRC32 y el método de compresión utilizado. La ruta del archivo se almacena como una cadena Unicode, lo que permite la compatibilidad con nombres de archivo que no son ASCII. PAX utiliza la codificación UTF-8 para las rutas de archivo.
Para la compresión, PAX admite múltiples algoritmos, incluidos DEFLATE, Brotli y Zstandard (zstd). DEFLATE es el método predeterminado, que es el mismo algoritmo utilizado en ZIP y gzip. Proporciona un buen equilibrio entre la relación de compresión y la velocidad. Brotli y Zstandard son algoritmos más nuevos que pueden ofrecer mejores relaciones de compresión, especialmente para ciertos tipos de datos como archivos de texto, a costa de velocidades de compresión y descompresión más lentas.
Los datos del archivo comprimido en PAX se almacenan en fragmentos, y cada fragmento tiene un tamaño máximo sin comprimir de 1 MB. Este almacenamiento fragmentado permite un acceso aleatorio eficiente a los archivos, ya que solo es necesario ubicar y descomprimir los fragmentos necesarios para extraer un archivo en particular, en lugar de procesar todo el archivo.
Una de las características clave de PAX es su compatibilidad con la compresión sólida. Con la compresión sólida, el archivo se trata como un único flujo continuo de datos, en lugar de una colección de archivos separados. Esto permite al compresor encontrar redundancias y patrones a través de los límites de los archivos, lo que potencialmente da como resultado relaciones de compresión más altas. Sin embargo, la compresión sólida puede afectar la capacidad de acceder rápidamente a archivos individuales, ya que es posible que sea necesario descomprimir todo el archivo hasta el archivo deseado.
PAX también incluye comprobaciones de integridad para detectar daños en los datos. Cada entrada de archivo en el directorio central incluye una suma de comprobación CRC32 de los datos del archivo sin comprimir. Al extraer archivos, PAX calcula la suma de comprobación de los datos descomprimidos y la compara con la suma de comprobación almacenada para verificar la integridad. Además, los archivos PAX pueden incluir una firma digital opcional para proporcionar autenticación y detección de manipulaciones.
Para mejorar el rendimiento, PAX admite la compresión y descompresión multiproceso. Los archivos se pueden comprimir y escribir en el archivo en paralelo, utilizando múltiples núcleos de CPU. De manera similar, durante la extracción, se pueden descomprimir varios archivos simultáneamente. Este procesamiento paralelo puede acelerar significativamente las operaciones de archivo y extracción en sistemas multinúcleo.
Los archivos PAX también pueden almacenar metadatos adicionales más allá de los atributos de archivo estándar. Se pueden asignar metadatos personalizados a archivos y directorios utilizando pares clave-valor. Estos metadatos se almacenan en el directorio central junto con las entradas del archivo. Ejemplos de metadatos personalizados podrían incluir información del autor, categorías de archivos o datos específicos de la aplicación.
La compatibilidad con la transmisión es otra característica de PAX. Los archivos se pueden crear y extraer de forma continua, sin necesidad de cargar todo el archivo en la memoria. Esto es particularmente útil cuando se trabaja con archivos grandes o cuando se trabaja con recursos de memoria limitados. La transmisión permite que los archivos se creen sobre la marcha o se procesen a medida que se reciben datos a través de una conexión de red.
Para compatibilidad con versiones anteriores e interoperabilidad, los archivos PAX pueden incluir un archivo ZIP de respaldo. El archivo ZIP se adjunta al final del archivo PAX y contiene los mismos archivos en el formato ZIP tradicional. Esto permite que las herramientas más antiguas que no admiten PAX aún extraigan los archivos de la parte ZIP del archivo.
PAX ha ganado popularidad debido a su eficiencia, flexibilidad e implementación de código abierto. Es compatible con varias herramientas y bibliotecas de archivo en diferentes plataformas. La implementación de referencia, llamada libpax, está escrita en C y proporciona una API de bajo nivel para crear y extraer archivos PAX.
Una de las limitaciones de PAX es que no admite el cifrado de forma nativa. Sin embargo, el cifrado se puede lograr combinando PAX con otras técnicas de cifrado o utilizando herramientas de terceros que se basan en el formato PAX.
En resumen, el PAX (Packed Archive Format) es un formato de archivo versátil y eficiente que ofrece funciones como acceso aleatorio rápido, compresión sólida, procesamiento paralelo, metadatos personalizados y compatibilidad con transmisión. Su combinación de algoritmos de compresión, almacenamiento fragmentado y extensibilidad lo convierten en una opción atractiva para archivar y distribuir 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.