Le PAX (Packed Archive Format) est un format de fichier utilisé pour archiver et compresser des fichiers et des répertoires. Il a été initialement développé par Google et est basé sur une combinaison de techniques des formats ZIP et tar. Le PAX vise à fournir une compression efficace, un accès aléatoire rapide aux fichiers et une extensibilité pour les métadonnées personnalisées.
En son cœur, une archive PAX se compose d'un répertoire central qui contient des métadonnées sur les fichiers archivés, suivi des données de fichiers compressées elles-mêmes. Le répertoire central est toujours situé à la fin de l'archive pour un accès rapide sans avoir besoin de scanner l'intégralité du fichier.
Chaque entrée de fichier dans le répertoire central inclut des informations telles que le chemin du fichier, la taille, l'horodatage, la somme de contrôle CRC32 et la méthode de compression utilisée. Le chemin du fichier est stocké sous forme de chaîne Unicode, permettant la prise en charge des noms de fichiers non ASCII. PAX utilise l'encodage UTF-8 pour les chemins de fichiers.
Pour la compression, PAX prend en charge plusieurs algorithmes, notamment DEFLATE, Brotli et Zstandard (zstd). DEFLATE est la méthode par défaut, qui est le même algorithme utilisé dans ZIP et gzip. Il offre un bon équilibre entre le taux de compression et la vitesse. Brotli et Zstandard sont des algorithmes plus récents qui peuvent offrir de meilleurs taux de compression, en particulier pour certains types de données comme les fichiers texte, au prix de vitesses de compression et de décompression plus lentes.
Les données de fichiers compressées dans PAX sont stockées en morceaux, chaque morceau ayant une taille maximale décompressée de 1 Mo. Ce stockage en morceaux permet un accès aléatoire efficace aux fichiers, car seuls les morceaux nécessaires doivent être localisés et décompressés pour extraire un fichier particulier, plutôt que de traiter l'intégralité de l'archive.
L'une des principales caractéristiques de PAX est sa prise en charge de la compression solide. Avec la compression solide, l'archive est traitée comme un seul flux continu de données, plutôt que comme une collection de fichiers séparés. Cela permet au compresseur de trouver des redondances et des modèles au-delà des limites des fichiers, ce qui peut entraîner des taux de compression plus élevés. Cependant, la compression solide peut affecter la possibilité d'accéder rapidement à des fichiers individuels, car l'intégralité de l'archive jusqu'au fichier souhaité peut devoir être décompressée.
PAX inclut également des contrôles d'intégrité pour détecter la corruption des données. Chaque entrée de fichier dans le répertoire central inclut une somme de contrôle CRC32 des données de fichier décompressées. Lors de l'extraction de fichiers, PAX calcule la somme de contrôle des données décompressées et la compare à la somme de contrôle stockée pour vérifier l'intégrité. De plus, les archives PAX peuvent inclure une signature numérique facultative pour fournir une authentification et une détection des altérations.
Pour améliorer les performances, PAX prend en charge la compression et la décompression multithread. Les fichiers peuvent être compressés et écrits dans l'archive en parallèle, en utilisant plusieurs cœurs de processeur. De même, lors de l'extraction, plusieurs fichiers peuvent être décompressés simultanément. Ce traitement parallèle peut accélérer considérablement les opérations d'archivage et d'extraction sur les systèmes multicœurs.
Les archives PAX peuvent également stocker des métadonnées supplémentaires au-delà des attributs de fichier standard. Des métadonnées personnalisées peuvent être attribuées aux fichiers et aux répertoires à l'aide de paires clé-valeur. Ces métadonnées sont stockées dans le répertoire central à côté des entrées de fichier. Des exemples de métadonnées personnalisées peuvent inclure des informations sur l'auteur, des catégories de fichiers ou des données spécifiques à l'application.
La prise en charge du streaming est une autre caractéristique de PAX. Les archives peuvent être créées et extraites de manière continue, sans qu'il soit nécessaire de charger l'intégralité de l'archive en mémoire. Ceci est particulièrement utile lorsqu'il s'agit de grandes archives ou lorsque vous travaillez avec des ressources mémoire limitées. Le streaming permet de créer des archives à la volée ou de les traiter au fur et à mesure que les données sont reçues via une connexion réseau.
Pour la compatibilité descendante et l'interopérabilité, les archives PAX peuvent inclure une archive ZIP de secours. L'archive ZIP est ajoutée à la fin de l'archive PAX et contient les mêmes fichiers au format ZIP traditionnel. Cela permet aux anciens outils qui ne prennent pas en charge PAX d'extraire toujours les fichiers de la partie ZIP de l'archive.
PAX a gagné en popularité en raison de son efficacité, de sa flexibilité et de son implémentation open source. Il est pris en charge par divers outils et bibliothèques d'archivage sur différentes plates-formes. L'implémentation de référence, appelée libpax, est écrite en C et fournit une API de bas niveau pour créer et extraire des archives PAX.
L'une des limites de PAX est qu'il ne prend pas en charge le chiffrement en natif. Cependant, le chiffrement peut être réalisé en combinant PAX avec d'autres techniques de chiffrement ou en utilisant des outils tiers qui s'appuient sur le format PAX.
En résumé, le PAX (Packed Archive Format) est un format d'archivage de fichiers polyvalent et efficace qui offre des fonctionnalités telles qu'un accès aléatoire rapide, une compression solide, un traitement parallèle, des métadonnées personnalisées et une prise en charge du streaming. Sa combinaison d'algorithmes de compression, de stockage en morceaux et d'extensibilité en fait un choix convaincant pour l'archivage et la distribution de fichiers.
La compression de fichiers réduit la redondance afin que la même information prenne moins de bits. La limite supérieure de ce que vous pouvez faire est régie par la théorie de l'information : pour la compression sans perte, la limite est l'entropie de la source (voir le théorème de codage de source et son article original de 1948 « Une théorie mathématique de la communication »). Pour la compression avec perte, le compromis entre le débit et la qualité est capturé par la théorie du débit-distorsion.
La plupart des compresseurs ont deux étapes. Premièrement, un modèle prédit ou expose la structure des données. Deuxièmement, un codeur transforme ces prédictions en modèles de bits quasi optimaux. Une famille de modélisation classique est Lempel-Ziv : LZ77 (1977) et LZ78 (1978) détectent les sous-chaînes répétées et émettent des références au lieu d'octets bruts. Du côté du codage, le codage de Huffman (voir l'article original de 1952) attribue des codes plus courts aux symboles les plus probables. Le codage arithmétique et le codage par plage sont des alternatives plus fines qui se rapprochent de la limite de l'entropie, tandis que les systèmes de numération asymétriques (ANS) modernes permettent une compression similaire avec des implémentations rapides basées sur des tables.
DEFLATE (utilisé par gzip, zlib et ZIP) combine LZ77 avec le codage de Huffman. Ses spécifications sont publiques : DEFLATE RFC 1951, wrapper zlib RFC 1950, et format de fichier gzip RFC 1952. Gzip est conçu pour le streaming et explicitement ne tente pas de fournir un accès aléatoire. Les images PNG normalisent DEFLATE comme leur seule méthode de compression (avec une fenêtre maximale de 32 Kio), conformément à la spécification PNG « Méthode de compression 0… dégonfler/gonfler… au plus 32768 octets » et W3C/ISO PNG 2e édition.
Zstandard (zstd) : un compresseur polyvalent plus récent conçu pour des taux de compression élevés avec une décompression très rapide. Le format est documenté dans la RFC 8878 (également miroir HTML) et la spécification de référence sur GitHub. Comme gzip, la trame de base ne vise pas l'accès aléatoire. L'un des superpouvoirs de zstd réside dans les dictionnaires : de petits échantillons de votre corpus qui améliorent considérablement la compression sur de nombreux fichiers minuscules ou similaires (voir la documentation du dictionnaire python-zstandard et l'exemple pratique de Nigel Tao). Les implémentations acceptent à la fois les dictionnaires « non structurés » et « structurés » (discussion).
Brotli : optimisé pour le contenu Web (par exemple, les polices WOFF2, HTTP). Il mélange un dictionnaire statique avec un noyau d'entropie+LZ de type DEFLATE. La spécification est la RFC 7932, qui note également une fenêtre glissante de 2WBITS−16 avec WBITS dans [10, 24] (1 Kio−16 B jusqu'à 16 Mio−16 B) et qu'il ne tente pas d'accès aléatoire. Brotli surpasse souvent gzip sur le texte Web tout en décodant rapidement.
Conteneur ZIP : ZIP est une archive de fichiers qui peut stocker des entrées avec diverses méthodes de compression (deflate, store, zstd, etc.). La norme de facto est l'APPNOTE de PKWARE (voir le portail APPNOTE, une copie hébergée, et les aperçus de la LC Format de fichier ZIP (PKWARE) / ZIP 6.3.3).
LZ4 vise la vitesse brute avec des ratios modestes. Voir sa page de projet (« compression extrêmement rapide ») et son format de trame. Il est idéal pour les caches en mémoire, la télémétrie ou les chemins d'accès très sollicités où la décompression doit être proche de la vitesse de la RAM.
XZ / LZMA visent la densité (excellents ratios) avec une compression relativement lente. XZ est un conteneur ; le gros du travail est généralement effectué par LZMA/LZMA2 (modélisation de type LZ77 + codage par plage). Voir le format de fichier .xz, la spécification LZMA (Pavlov), et les notes du noyau Linux sur XZ Embedded. XZ surcompresse généralement gzip et rivalise souvent avec les codecs modernes à haut ratio, mais avec des temps d'encodage plus lents.
bzip2 applique la transformée de Burrows-Wheeler (BWT), move-to-front, RLE et le codage de Huffman. Il est généralement plus petit que gzip mais plus lent ; voir le manuel officiel et les pages de manuel (Linux).
La « taille de la fenêtre » est importante. Les références DEFLATE ne peuvent remonter que de 32 Kio (RFC 1951 et la limite de 32 Kio de PNG notée ici). La fenêtre de Brotli va d'environ 1 Kio à 16 Mio (RFC 7932). Zstd ajuste la fenêtre et la profondeur de recherche par niveau (RFC 8878). Les flux de base gzip/zstd/brotli sont conçus pour un décodage séquentiel ; les formats de base ne promettent pas d'accès aléatoire, bien que des conteneurs (par exemple, des index tar, un tramage en morceaux ou des index spécifiques au format) puissent l'ajouter.
Les formats ci-dessus sont sans perte : vous pouvez reconstruire les octets exacts. Les codecs multimédias sont souvent avec perte : ils suppriment les détails imperceptibles pour atteindre des débits binaires inférieurs. Dans les images, le JPEG classique (DCT, quantification, codage entropique) est normalisé dans ITU-T T.81 / ISO/IEC 10918-1. En audio, MP3 (MPEG-1 Layer III) et AAC (MPEG-2/4) reposent sur des modèles perceptuels et des transformées MDCT (voir ISO/IEC 11172-3, ISO/IEC 13818-7, et un aperçu de la MDCT ici). Avec et sans perte peuvent coexister (par exemple, PNG pour les ressources de l'interface utilisateur ; codecs Web pour les images/vidéo/audio).
Théorie : Shannon 1948 · Débit-distorsion · Codage : Huffman 1952 · Codage arithmétique · Codage par plage · ANS. Formats : DEFLATE · zlib · gzip · Zstandard · Brotli · Trame LZ4 · Format XZ. Pile BWT : Burrows–Wheeler (1994) · manuel bzip2. Médias : JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
Conclusion : choisissez un compresseur qui correspond à vos données et à vos contraintes, mesurez sur des entrées réelles et n'oubliez pas les gains des dictionnaires et du tramage intelligent. Avec la bonne combinaison, vous pouvez obtenir des fichiers plus petits, des transferts plus rapides et des applications plus réactives, sans sacrifier la correction ou la portabilité.
La compression de fichiers est un processus qui réduit la taille d'un fichier ou de fichiers, généralement pour économiser de l'espace de stockage ou accélérer la transmission sur un réseau.
La compression de fichiers fonctionne en identifiant et en supprimant les redondances dans les données. Elle utilise des algorithmes pour encoder les données originales dans un espace plus petit.
Les deux types principaux de compression de fichiers sont la compression sans perte et la compression avec pertes. La compression sans perte permet de restaurer parfaitement le fichier original, tandis que la compression avec pertes permet une réduction de taille plus significative au détriment de la perte de qualité des données.
Un exemple populaire d'un outil de compression de fichiers est WinZip, qui prend en charge de multiples formats de compression dont ZIP et RAR.
Avec la compression sans perte, la qualité reste inchangée. Cependant, avec la compression avec pertes, il peut y avoir une diminution notable de la qualité car elle élimine les données moins importantes pour réduire de manière plus significative la taille du fichier.
Oui, la compression de fichiers est sûre en termes d'intégrité des données, surtout avec la compression sans perte. Cependant, comme tout fichier, les fichiers compressés peuvent être ciblés par des logiciels malveillants ou des virus, il est donc toujours important d'avoir un logiciel de sécurité de confiance en place.
Presque tous les types de fichiers peuvent être compressés, y compris les fichiers texte, images, audio, vidéo, et les fichiers logiciels. Cependant, le niveau de compression réalisable peut varier considérablement selon les types de fichiers.
Un fichier ZIP est un type de format de fichier qui utilise la compression sans perte pour réduire la taille d'un ou de plusieurs fichiers. Plusieurs fichiers dans un fichier ZIP sont effectivement regroupés en un seul fichier, ce qui facilite également le partage.
Techniquement, oui, bien que la réduction de taille supplémentaire puisse être minime voire contre-productive. Compresser un fichier déjà compressé peut parfois augmenter sa taille en raison des métadonnées ajoutées par l'algorithme de compression.
Pour décompresser un fichier, il vous faut généralement un outil de décompression ou de dézippage, comme WinZip ou 7-Zip. Ces outils peuvent extraire les fichiers originaux à partir du format compressé.