Il PAX (Packed Archive Format) è un formato di file utilizzato per l'archiviazione e la compressione di file e directory. È stato originariamente sviluppato da Google e si basa su una combinazione di tecniche dei formati ZIP e tar. PAX mira a fornire una compressione efficiente, un rapido accesso casuale ai file ed estendibilità per metadati personalizzati.
Nel suo nucleo, un archivio PAX consiste in una directory centrale che contiene metadati sui file archiviati, seguita dai dati del file compresso stesso. La directory centrale è sempre posizionata alla fine dell'archivio per un rapido accesso senza dover scansionare l'intero file.
Ogni voce di file nella directory centrale include informazioni come il percorso del file, la dimensione, la marca temporale, il checksum CRC32 e il metodo di compressione utilizzato. Il percorso del file è memorizzato come una stringa Unicode, consentendo il supporto di nomi di file non ASCII. PAX utilizza la codifica UTF-8 per i percorsi dei file.
Per la compressione, PAX supporta più algoritmi tra cui DEFLATE, Brotli e Zstandard (zstd). DEFLATE è il metodo predefinito, che è lo stesso algoritmo utilizzato in ZIP e gzip. Fornisce un buon equilibrio tra rapporto di compressione e velocità. Brotli e Zstandard sono algoritmi più recenti che possono offrire rapporti di compressione migliori, specialmente per determinati tipi di dati come file di testo, a scapito di velocità di compressione e decompressione più lente.
I dati del file compresso in PAX sono memorizzati in blocchi, con ogni blocco che ha una dimensione massima non compressa di 1 MB. Questa memorizzazione in blocchi consente un accesso casuale efficiente ai file, poiché solo i blocchi necessari devono essere individuati e decompressi per estrarre un particolare file, piuttosto che elaborare l'intero archivio.
Una delle caratteristiche principali di PAX è il suo supporto per la compressione solida. Con la compressione solida, l'archivio viene trattato come un singolo flusso continuo di dati, piuttosto che come una raccolta di file separati. Ciò consente al compressore di trovare ridondanze e modelli tra i confini dei file, con conseguenti rapporti di compressione potenzialmente più elevati. Tuttavia, la compressione solida può influire sulla possibilità di accedere rapidamente ai singoli file, poiché potrebbe essere necessario decomprimere l'intero archivio fino al file desiderato.
PAX include anche controlli di integrità per rilevare il danneggiamento dei dati. Ogni voce di file nella directory centrale include un checksum CRC32 dei dati del file non compresso. Durante l'estrazione dei file, PAX calcola il checksum dei dati decompressi e lo confronta con il checksum memorizzato per verificarne l'integrità. Inoltre, gli archivi PAX possono includere una firma digitale opzionale per fornire autenticazione e rilevamento delle manomissioni.
Per migliorare le prestazioni, PAX supporta la compressione e la decompressione multi-thread. I file possono essere compressi e scritti nell'archivio in parallelo, utilizzando più core della CPU. Allo stesso modo, durante l'estrazione, più file possono essere decompressi contemporaneamente. Questa elaborazione parallela può accelerare significativamente le operazioni di archiviazione ed estrazione su sistemi multi-core.
Gli archivi PAX possono anche memorizzare metadati aggiuntivi oltre agli attributi standard del file. I metadati personalizzati possono essere assegnati a file e directory utilizzando coppie chiave-valore. Questi metadati vengono memorizzati nella directory centrale insieme alle voci di file. Esempi di metadati personalizzati potrebbero includere informazioni sull'autore, categorie di file o dati specifici dell'applicazione.
Il supporto dello streaming è un'altra caratteristica di PAX. Gli archivi possono essere creati ed estratti in modo streaming, senza richiedere che l'intero archivio venga caricato in memoria. Ciò è particolarmente utile quando si hanno a che fare con archivi di grandi dimensioni o quando si lavora con risorse di memoria limitate. Lo streaming consente di creare archivi al volo o di elaborarli mentre i dati vengono ricevuti tramite una connessione di rete.
Per compatibilità con le versioni precedenti e interoperabilità, gli archivi PAX possono includere un archivio ZIP di fallback. L'archivio ZIP viene aggiunto alla fine dell'archivio PAX e contiene gli stessi file nel tradizionale formato ZIP. Ciò consente agli strumenti più vecchi che non supportano PAX di estrarre comunque i file dalla parte ZIP dell'archivio.
PAX ha guadagnato popolarità grazie alla sua efficienza, flessibilità e implementazione open source. È supportato da vari strumenti di archiviazione e librerie su diverse piattaforme. L'implementazione di riferimento, chiamata libpax, è scritta in C e fornisce un'API di basso livello per la creazione ed estrazione di archivi PAX.
Una delle limitazioni di PAX è che non supporta la crittografia in modo nativo. Tuttavia, la crittografia può essere ottenuta combinando PAX con altre tecniche di crittografia o utilizzando strumenti di terze parti che si basano sul formato PAX.
In sintesi, il PAX (Packed Archive Format) è un formato di archiviazione file versatile ed efficiente che offre funzionalità come accesso casuale rapido, compressione solida, elaborazione parallela, metadati personalizzati e supporto dello streaming. La sua combinazione di algoritmi di compressione, archiviazione in blocchi ed estendibilità lo rendono una scelta convincente per l'archiviazione e la distribuzione di file.
La compressione dei file riduce la ridondanza in modo che le stesse informazioni occupino meno bit. Il limite superiore di quanto si può andare è governato dalla teoria dell'informazione: per la compressione senza perdita, il limite è l'entropia della fonte (vedi il teorema della codifica di sorgente di Shannon e il suo articolo originale del 1948 “Una teoria matematica della comunicazione”). Per la compressione con perdita, il compromesso tra velocità e qualità è catturato dalla teoria tasso-distorsione.
La maggior parte dei compressori ha due fasi. In primo luogo, un modello predice o espone la struttura nei dati. In secondo luogo, un codificatore trasforma tali previsioni in modelli di bit quasi ottimali. Una famiglia di modellazione classica è Lempel-Ziv: LZ77 (1977) e LZ78 (1978) rilevano sottostringhe ripetute ed emettono riferimenti invece di byte grezzi. Sul lato della codifica, la codifica di Huffman (vedi l'articolo originale del 1952) assegna codici più brevi a simboli più probabili. La codifica aritmetica e la codifica a intervalli sono alternative a grana più fine che si avvicinano al limite dell'entropia, mentre i moderni Sistemi Numerici Asimmetrici (ANS) ottengono una compressione simile con implementazioni veloci basate su tabelle.
DEFLATE (usato da gzip, zlib e ZIP) combina LZ77 con la codifica di Huffman. Le sue specifiche sono pubbliche: DEFLATE RFC 1951, wrapper zlib RFC 1950, e formato file gzip RFC 1952. Gzip è strutturato per lo streaming ed esplicitamente non tenta di fornire accesso casuale. Le immagini PNG standardizzano DEFLATE come unico metodo di compressione (con una finestra massima di 32 KiB), secondo le specifiche PNG “Metodo di compressione 0… deflate/inflate… al massimo 32768 byte” e W3C/ISO PNG 2a Edizione.
Zstandard (zstd): un compressore generico più recente progettato per rapporti elevati con decompressione molto veloce. Il formato è documentato in RFC 8878 (anche mirror HTML) e nelle specifiche di riferimento su GitHub. Come gzip, il frame di base non mira all'accesso casuale. Uno dei superpoteri di zstd sono i dizionari: piccoli campioni dal tuo corpus che migliorano drasticamente la compressione su molti file piccoli o simili (vedi documenti del dizionario python-zstandard e l'esempio funzionante di Nigel Tao). Le implementazioni accettano dizionari sia “non strutturati” che “strutturati” (discussione).
Brotli: ottimizzato per i contenuti web (ad es. font WOFF2, HTTP). Mescola un dizionario statico con un core di entropia LZ+ simile a DEFLATE. La specifica è RFC 7932, che nota anche una finestra scorrevole di 2WBITS−16 con WBITS in [10, 24] (da 1 KiB−16 B a 16 MiB−16 B) e che non tenta l'accesso casuale. Brotli spesso batte gzip sul testo web decodificando rapidamente.
Contenitore ZIP: ZIP è un archivio di file che può memorizzare voci con vari metodi di compressione (deflate, store, zstd, ecc.). Lo standard de facto è l'APPNOTE di PKWARE (vedi portale APPNOTE, una copia ospitata, e panoramiche LC Formato file ZIP (PKWARE) / ZIP 6.3.3).
LZ4 punta alla velocità grezza con rapporti modesti. Vedi la sua pagina del progetto (“compressione estremamente veloce”) e il formato del frame. È ideale per cache in memoria, telemetria o percorsi caldi in cui la decompressione deve essere quasi alla velocità della RAM.
XZ / LZMA spingono per la densità (ottimi rapporti) con una compressione relativamente lenta. XZ è un contenitore; il lavoro pesante è tipicamente svolto da LZMA/LZMA2 (modellazione simile a LZ77 + codifica a intervalli). Vedi formato file .xz, la specifica LZMA (Pavlov), e le note del kernel Linux su XZ Embedded. XZ di solito comprime meglio di gzip e spesso compete con i moderni codec ad alto rapporto, ma con tempi di codifica più lenti.
bzip2 applica la Trasformata di Burrows-Wheeler (BWT), move-to-front, RLE e la codifica di Huffman. È tipicamente più piccolo di gzip ma più lento; vedi il manuale ufficiale e le pagine man (Linux).
La “dimensione della finestra” è importante. I riferimenti DEFLATE possono guardare indietro solo di 32 KiB (RFC 1951 e il limite di 32 KiB di PNG notato qui). La finestra di Brotli varia da circa 1 KiB a 16 MiB (RFC 7932). Zstd regola la finestra e la profondità di ricerca per livello (RFC 8878). I flussi di base gzip/zstd/brotli sono progettati per la decodifica sequenziale; i formati di base non promettono l'accesso casuale, sebbene i contenitori (ad es. indici tar, framing a blocchi o indici specifici del formato) possano stratificarlo.
I formati di cui sopra sono senza perdita: è possibile ricostruire i byte esatti. I codec multimediali sono spesso con perdita: scartano dettagli impercettibili per raggiungere bitrate più bassi. Nelle immagini, il JPEG classico (DCT, quantizzazione, codifica entropica) è standardizzato in ITU-T T.81 / ISO/IEC 10918-1. Nell'audio, MP3 (MPEG-1 Layer III) e AAC (MPEG-2/4) si basano su modelli percettivi e trasformate MDCT (vedi ISO/IEC 11172-3, ISO/IEC 13818-7, e una panoramica MDCT qui). Con perdita e senza perdita possono coesistere (ad es. PNG per le risorse dell'interfaccia utente; codec Web per immagini/video/audio).
Teoria: Shannon 1948 · Velocità-distorsione · Codifica: Huffman 1952 · Codifica aritmetica · Codifica a intervalli · ANS. Formati: DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4 frame · Formato XZ. Stack BWT: Burrows–Wheeler (1994) · manuale bzip2. Media: JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
In conclusione: scegli un compressore che si adatti ai tuoi dati e ai tuoi vincoli, misura su input reali e non dimenticare i vantaggi derivanti dai dizionari e dal framing intelligente. Con la giusta accoppiata, puoi ottenere file più piccoli, trasferimenti più veloci e app più scattanti, senza sacrificare la correttezza o la portabilità.
La compressione dei file è un processo che riduce le dimensioni di un file o di più file, tipicamente per risparmiare spazio di archiviazione o accelerare la trasmissione su una rete.
La compressione dei file funziona identificando e rimuovendo la ridondanza nei dati. Utilizza algoritmi per codificare i dati originali in uno spazio minore.
I due principali tipi di compressione dei file sono la compressione senza perdita e la compressione con perdita. La compressione senza perdita permette di ripristinare perfettamente il file originale, mentre la compressione con perdita consente una riduzione di dimensioni più significativa a costo di una certa perdita nella qualità dei dati.
Un esempio popolare di uno strumento di compressione dei file è WinZip, che supporta più formati di compressione tra cui ZIP e RAR.
Con la compressione senza perdita, la qualità rimane inalterata. Tuttavia, con la compressione con perdita, può esserci una diminuzione notevole della qualità perché elimina dati meno importanti per ridurre più significativamente la dimensione del file.
Sì, la compressione dei file è sicura in termini di integrità dei dati, specialmente con la compressione senza perdita. Tuttavia, come qualsiasi file, i file compressi possono essere presi di mira da malware o virus, quindi è sempre importante avere in atto un software di sicurezza affidabile.
Quasi tutti i tipi di file possono essere compressi, inclusi file di testo, immagini, audio, video e software. Tuttavia, il livello di compressione ottenibile può variare significativamente tra i tipi di file.
Un file ZIP è un tipo di formato di file che utilizza la compressione senza perdita per ridurre le dimensioni di uno o più file. Più file in un file ZIP sono effettivamente raggruppati insieme in un unico file, il che facilita anche la condivisione.
Tecnicamente, sì, anche se la riduzione aggiuntiva delle dimensioni potrebbe essere minima o addirittura controproducente. Comprimere un file già compresso potrebbe a volte aumentare le sue dimensioni a causa dei metadati aggiunti dall'algoritmo di compressione.
Per decomprimere un file, di solito ti serve uno strumento di decompressione o di estrazione, come WinZip o 7-Zip. Questi strumenti possono estrarre i file originali dal formato compresso.