El formato de archivo ZIP es un formato de compresión y archivo ampliamente utilizado que permite empaquetar varios archivos en un solo archivo comprimido. Fue creado originalmente por Phil Katz en 1989 y desde entonces se ha convertido en un estándar omnipresente para la compresión y distribución de archivos. El formato ZIP utiliza una combinación de algoritmos de compresión sin pérdida para reducir el tamaño de los archivos contenidos, al tiempo que permite que se extraigan individualmente a pedido.
Un archivo ZIP consta de una secuencia de registros de archivos, cada uno de los cuales representa un archivo comprimido, seguido de un directorio central al final del archivo. Cada registro de archivo incluye metadatos sobre el archivo, como su nombre, tamaño y marcas de tiempo, así como los datos del archivo comprimido en sí. El directorio central contiene una lista de todos los registros de archivos en el archivo, junto con metadatos adicionales.
El formato ZIP admite varios métodos de compresión, pero el más utilizado es DEFLATE, que se basa en el algoritmo LZ77 y la codificación Huffman. DEFLATE funciona encontrando secuencias repetidas de datos y reemplazándolas con referencias a ocurrencias anteriores, combinadas con la codificación Huffman para representar los datos comprimidos de manera eficiente. Esto permite una reducción de tamaño significativa, especialmente para archivos basados en texto.
Para crear un archivo ZIP, los archivos se comprimen primero individualmente utilizando el método de compresión elegido. Luego, cada archivo comprimido se agrega al archivo como un registro de archivo, que incluye un encabezado de archivo local seguido de los datos comprimidos. El encabezado del archivo local contiene metadatos como el nombre del archivo, el método de compresión, la suma de comprobación CRC-32, los tamaños comprimidos y sin comprimir y las marcas de tiempo.
Después de que se han agregado todos los registros de archivos, el directorio central se escribe al final del archivo. El directorio central comienza con una firma e incluye un encabezado de archivo para cada registro de archivo, que contiene metadatos similares a los encabezados de archivo locales. Además, el directorio central incluye información sobre el archivo en su conjunto, como el número de archivos y el tamaño del directorio central.
Finalmente, el archivo ZIP concluye con un registro de fin de directorio central, que incluye una firma, el número de disco en el que comienza el directorio central, el número de registros del directorio central, el tamaño del directorio central, el desplazamiento del inicio del directorio central relativo al inicio del archivo y un campo de comentarios.
Una de las características clave del formato ZIP es su capacidad para admitir varios métodos de compresión. Además de DEFLATE, también admite el método STORE (sin compresión), BZIP2, LZMA, PPMd y otros. Esta flexibilidad permite un equilibrio entre la relación de compresión y el tiempo de procesamiento, según los requisitos específicos del caso de uso.
Otro aspecto importante del formato ZIP es su compatibilidad con el cifrado de archivos y directorios. El esquema de cifrado ZIP tradicional utilizaba un método de cifrado simple basado en contraseña, pero este ha sido reemplazado en gran medida por el cifrado AES más seguro en las herramientas ZIP modernas. Cuando se cifra un archivo, sus datos comprimidos se cifran utilizando el método de cifrado elegido y se agregan metadatos adicionales al encabezado del archivo para indicar el estado del cifrado.
El formato ZIP también incluye funciones para la comprobación de integridad de datos y la detección de errores. Cada registro de archivo incluye una suma de comprobación CRC-32 de los datos sin comprimir, lo que permite verificar la integridad del archivo al momento de la extracción. Además, el directorio central incluye una suma de comprobación CRC-32 de toda la estructura del directorio central, lo que proporciona una capa adicional de comprobación de integridad para el archivo en su conjunto.
A lo largo de los años, se han realizado varias extensiones y mejoras al formato ZIP para mejorar su funcionalidad y eficiencia. Una de esas extensiones es el formato ZIP64, que permite archivos y archivos de más de 4 GB de tamaño. Esto se logra utilizando campos de 64 bits para valores de tamaño y desplazamiento, en lugar de los campos originales de 32 bits. Otra extensión es el uso de codificación de nombres de archivos y comentarios, que permite el uso de caracteres Unicode en nombres de archivos y comentarios.
El formato ZIP también se ha adaptado para su uso en varios contextos especializados, como el formato OpenDocument utilizado por las suites de productividad de oficina, el formato JAR (Java Archive) utilizado para distribuir aplicaciones Java y el formato EPUB utilizado para libros electrónicos. En estos casos, el formato ZIP sirve como contenedor para los tipos de archivos y metadatos específicos requeridos por los respectivos formatos.
A pesar de su antigüedad, el formato ZIP sigue siendo ampliamente utilizado y compatible en todas las plataformas y dispositivos. Su simplicidad, eficiencia y compatibilidad lo han convertido en una opción ideal para la compresión y distribución de archivos. Sin embargo, también existen algunas limitaciones en el formato ZIP, como su falta de soporte integrado para archivos divididos, compresión sólida o registros de recuperación.
Para abordar algunas de estas limitaciones, se han desarrollado formatos de archivo alternativos, como RAR, 7z y TAR. Estos formatos ofrecen funciones adicionales y mejores relaciones de compresión en algunos casos, pero es posible que no tengan el mismo nivel de soporte universal que ZIP.
En conclusión, el formato de archivo ZIP es un formato de compresión y archivo versátil y eficiente que ha resistido el paso del tiempo. Su capacidad para empaquetar varios archivos juntos, comprimirlos de manera eficiente y proporcionar verificación de integridad de datos lo ha convertido en una herramienta esencial para el almacenamiento y distribución de archivos. A pesar de algunas limitaciones, el formato ZIP continúa siendo ampliamente utilizado y compatible, gracias a su simplicidad y compatibilidad.
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.