Le format GNU TAR (Tape Archive) est un format d'archivage et de compression de fichiers largement utilisé sur les systèmes d'exploitation de type Unix. Il a été conçu à l'origine pour sauvegarder des fichiers sur bande magnétique, mais il est maintenant couramment utilisé pour rassembler plusieurs fichiers dans un seul fichier d'archive compressé pour un stockage et une transmission efficaces. Le format TAR permet de préserver les attributs des fichiers, les structures de répertoires et prend en charge divers algorithmes de compression.
Un fichier d'archive TAR se compose d'une série d'enregistrements d'en-tête de fichier et de blocs de données de fichier. Chaque fichier de l'archive est représenté par un enregistrement d'en-tête qui contient des métadonnées sur le fichier, suivi des données du fichier lui-même. L'enregistrement d'en-tête a une taille de 512 octets et contient des champs tels que le nom du fichier, le mode du fichier (permissions), les identifiants du propriétaire et du groupe, la taille du fichier, l'heure de modification et la somme de contrôle.
Le champ du nom de fichier dans l'enregistrement d'en-tête peut contenir jusqu'à 100 caractères. Si un nom de fichier dépasse 100 caractères, il est stocké à l'aide du champ "préfixe", qui est un champ supplémentaire de 155 octets. Le préfixe est concaténé avec le nom du fichier pour créer le chemin complet. Le champ du mode de fichier contient les permissions du fichier Unix et le type de fichier (fichier ordinaire, répertoire, lien symbolique, etc.).
Après l'enregistrement d'en-tête se trouvent les données du fichier, qui sont stockées dans des blocs contigus de 512 octets. Si la taille du fichier n'est pas un multiple de 512 octets, le dernier bloc est rempli d'octets nuls. Les blocs de données de chaque fichier sont écrits séquentiellement dans l'archive, sans séparateurs ni délimiteurs entre les fichiers.
Les archives TAR prennent en charge plusieurs types d'enregistrements d'en-tête en plus des fichiers et répertoires ordinaires. Les liens symboliques et les liens physiques sont représentés à l'aide d'enregistrements d'en-tête spéciaux qui référencent le fichier cible. Les fichiers de périphérique, les pipes nommés et autres types de fichiers spéciaux sont également pris en charge. Les attributs étendus et les ACL peuvent être stockés à l'aide d'en-têtes au format d'échange pax.
Une caractéristique clé du format TAR est sa prise en charge des noms de fichiers et des chemins longs. Les premières versions de TAR étaient limitées à des noms de fichiers de 100 caractères, mais les versions ultérieures, telles que le format USTAR (Unix Standard TAR) largement utilisé, ont étendu cette limite pour prendre en charge des noms plus longs. La norme POSIX.1-2001 a introduit un nouveau format extensible qui permet des noms de fichiers et des chemins encore plus longs, ainsi que des champs de métadonnées supplémentaires.
La compression est couramment utilisée conjointement avec les archives TAR pour réduire la taille des fichiers. Les méthodes de compression les plus populaires sont gzip (.tar.gz ou .tgz), bzip2 (.tar.bz2) et xz (.tar.xz). Ces archives TAR compressées sont créées en créant d'abord une archive TAR ordinaire, puis en la compressant avec l'algorithme de compression choisi. Lors de l'extraction d'une archive TAR compressée, la compression est d'abord supprimée, puis le processus d'extraction TAR ordinaire est appliqué.
Le format TAR inclut également des mécanismes intégrés de détection et de récupération des erreurs. Chaque enregistrement d'en-tête contient un champ de somme de contrôle qui est calculé lors de la création de l'archive. Lors de l'extraction de fichiers d'une archive TAR, la somme de contrôle est vérifiée pour garantir l'intégrité des données. Si une erreur de somme de contrôle est détectée, une erreur est signalée et l'extraction peut soit ignorer le fichier affecté, soit tenter de récupérer autant de données que possible.
En plus du format TAR de base, il existe plusieurs variantes et extensions en cours d'utilisation. La version GNU de TAR, qui est largement utilisée dans les distributions Linux, inclut des fonctionnalités supplémentaires telles que les archives multivolumes, la prise en charge des fichiers creux et les sauvegardes incrémentielles. D'autres extensions, telles que star et pax, offrent des performances améliorées, une compatibilité avec les systèmes non Unix et une prise en charge des métadonnées étendues.
Malgré son âge et ses limites, le format TAR reste largement utilisé en raison de sa simplicité, de sa portabilité et de sa prise en charge étendue sur différentes plates-formes et outils. Il sert de base à de nombreuses solutions de sauvegarde et d'archivage de niveau supérieur et est souvent utilisé comme format de conteneur pour distribuer des progiciels et du code source. Au fur et à mesure que de nouvelles technologies et de nouveaux supports de stockage sont apparus, le format TAR s'est adapté et a évolué pour répondre aux besoins changeants, garantissant sa pertinence continue dans les environnements informatiques modernes.
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.