Le format Web ARChive (WARC) est un format de fichier standard utilisé pour archiver les données d'exploration Web. Il a été développé par l'International Internet Preservation Consortium (IIPC) comme une amélioration de l'ancien format Internet Archive ARC. Les fichiers WARC contiennent une séquence concaténée de blocs de contenu, chacun constitué d'un en-tête en texte brut et de données de contenu binaires, ce qui le rend plus adapté à la préservation à long terme et à l'accès aux ressources Web.
Les fichiers WARC sont conçus pour stocker à la fois le contenu de la charge utile et les informations de contrôle des protocoles de couche application Internet courants, tels que HTTP, DNS et FTP. Chaque fichier WARC est une archive autonome, ce qui lui permet de stocker plusieurs ressources distinctes dans un seul fichier. Cela en fait un format efficace et pratique pour les robots d'exploration Web pour stocker et traiter de grandes quantités de données Web.
La spécification du format WARC définit plusieurs types d'enregistrements, chacun ayant un objectif spécifique dans le processus d'archivage : - `warcinfo` : contient des métadonnées sur le fichier WARC lui-même, telles que le logiciel utilisé pour le créer, la date de création et toute information supplémentaire sur l'exploration. - `response` : stocke le message de réponse HTTP, y compris les en-têtes et le corps, tel que renvoyé par le serveur Web. - `request` : stocke le message de requête HTTP envoyé par le robot d'exploration au serveur Web. - `metadata` : contient des informations supplémentaires sur une ressource, telles que le résultat de l'analyse antivirus ou le texte extrait d'une page HTML. - `revisit` : indique que le contenu d'une ressource n'a pas changé depuis une capture précédente, permettant un stockage et une relecture plus efficaces des archives Web. - `conversion` : stocke le résultat de la conversion d'une ressource d'un format à un autre, comme la conversion d'une page HTML en texte brut.
Chaque enregistrement WARC se compose d'un en-tête en texte brut et d'un bloc de contenu binaire. L'en-tête contient des paires clé-valeur qui fournissent des métadonnées sur l'enregistrement, telles que le type d'enregistrement WARC, l'URI de la ressource, la date et l'heure de la capture et la longueur du contenu. Le bloc de contenu binaire stocke les données réelles de la ressource, telles que le corps de la réponse HTTP ou la charge utile d'un transfert FTP.
L'un des principaux avantages du format WARC est sa capacité à stocker plusieurs ressources dans un seul fichier tout en maintenant l'intégrité et le contexte de chaque ressource. Ceci est réalisé grâce à l'utilisation d'un schéma de nommage hiérarchique pour les enregistrements dans un fichier WARC. Chaque enregistrement se voit attribuer un identifiant unique, qui se compose d'un nom de fichier obligatoire et d'un ID d'enregistrement facultatif. Cela permet une récupération et une gestion faciles des ressources individuelles dans un fichier WARC.
Les fichiers WARC prennent également en charge la compression, ce qui permet de réduire les besoins de stockage et d'améliorer les vitesses de transfert. Les algorithmes de compression les plus couramment utilisés avec les fichiers WARC sont gzip et bzip2. Les fichiers WARC compressés ont généralement les extensions `.warc.gz` ou `.warc.bz2`, respectivement.
Pour faciliter le traitement et l'analyse des fichiers WARC, divers outils logiciels et bibliothèques ont été développés. Il s'agit notamment de robots d'exploration Web comme Heritrix, qui peuvent générer directement des fichiers WARC, et d'outils comme OpenWayback, qui peuvent relire des pages Web archivées à partir de fichiers WARC. Les bibliothèques de programmation, telles que Java Web Archive Toolkit (JWAT) et la bibliothèque Python WarcIO, fournissent des API pour lire, écrire et manipuler des fichiers WARC.
Le format WARC est devenu la norme de facto pour l'archivage Web, grâce à sa robustesse, sa flexibilité et sa large adoption par les institutions et les organisations impliquées dans la préservation du Web. Il a permis la création d'archives Web à grande échelle, telles que la Wayback Machine d'Internet Archive, qui contient plus de 475 milliards de pages Web capturées depuis 1996.
En résumé, le format WARC est un outil crucial pour préserver et accéder aux informations Web pour les générations futures. Sa structure standardisée, sa prise en charge de plusieurs types d'enregistrements et sa capacité à stocker à la fois le contenu et les métadonnées en font un format idéal pour archiver le Web en constante croissance et en constante évolution. Alors qu'Internet continue de jouer un rôle de plus en plus important dans nos vies, le format WARC restera sans aucun doute un élément essentiel des efforts de préservation du Web.
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.