Il formato ar (archiver) è un formato di file utilizzato per creare e manipolare file di archivio che memorizzano più file in un singolo file. Ha avuto origine nei sistemi Unix ed è comunemente utilizzato nei sistemi operativi basati su BSD. Il formato ar è un modo semplice ed efficiente per impacchettare più file insieme per l'archiviazione o la distribuzione.
Un file di archivio ar è costituito da un'intestazione globale seguita da una serie di membri di archivio. Ogni membro di archivio rappresenta un file che è stato memorizzato nell'archivio. L'intestazione globale è una semplice intestazione di testo che identifica il file come un archivio ar e fornisce informazioni di base sulla versione del formato di archivio.
L'intestazione globale di un archivio ar inizia con la stringa di firma "!<arch>\n". Questa firma è seguita da un carattere di nuova riga e serve per identificare il file come un archivio ar. La firma è quindi seguita da una serie di membri di file, ognuno dei quali rappresenta un file memorizzato nell'archivio.
Ogni membro di file in un archivio ar è costituito da un'intestazione di file e dai dati del file stesso. L'intestazione del file contiene metadati sul file, come il suo nome, la marca temporale di modifica, gli ID del proprietario e del gruppo, la modalità del file e le dimensioni. L'intestazione del file ha una dimensione fissa di 60 byte ed è strutturata come segue:
- Nome file (16 byte): una stringa terminata da null che rappresenta il nome del file. Se il nome del file è più lungo di 15 caratteri, viene troncato e viene utilizzato il simbolo speciale "/" per indicare che il nome completo del file è memorizzato in un membro di file separato.
- Timestamp di modifica del file (12 byte): un numero intero decimale che rappresenta il timestamp di modifica del file in secondi dal 1° gennaio 1970 (ora Unix epoch).
- ID proprietario (6 byte): un numero intero decimale che rappresenta l'ID utente del proprietario del file.
- ID gruppo (6 byte): un numero intero decimale che rappresenta l'ID gruppo del gruppo del file.
- Modalità file (8 byte): un numero intero ottale che rappresenta la modalità e le autorizzazioni del file.
- Dimensioni file (10 byte): un numero intero decimale che rappresenta le dimensioni del file in byte.
- Caratteri finali (2 byte): due caratteri speciali, "`\n`" (backtick seguito da nuova riga), che indicano la fine dell'intestazione del file.
Dopo l'intestazione del file, vengono memorizzati i dati del file stesso. La dimensione dei dati del file è determinata dalle dimensioni del file specificate nell'intestazione. Se le dimensioni del file sono dispari, viene aggiunto un byte di padding aggiuntivo per garantire un allineamento corretto per il membro del file successivo.
Un membro di file speciale in un archivio ar è la tabella dei simboli, che ha il nome "/ ". La tabella dei simboli viene utilizzata per memorizzare nomi di file lunghi che superano il limite di 15 caratteri nell'intestazione del file. Quando un nome file è troppo lungo, viene troncato nell'intestazione del file e il nome completo viene memorizzato nella tabella dei simboli. La tabella dei simboli è un membro di file speciale che contiene un elenco di stringhe terminate da null che rappresentano i nomi di file lunghi.
Un altro membro di file speciale è il membro del nome file lungo, che ha il nome "/[0-9]+". Questo membro di file viene utilizzato insieme alla tabella dei simboli. Quando un nome file è troppo lungo per essere inserito nell'intestazione del file, viene creata una voce speciale nella tabella dei simboli con il formato "/[offset]/[length]", dove "offset" è l'offset in byte nel membro del nome file lungo in cui è memorizzato il nome file completo e "length" è la lunghezza del nome file completo.
Il formato ar supporta anche varie opzioni e flag che possono essere utilizzati durante la creazione o la manipolazione di file di archivio. Alcune opzioni comuni includono: - "r": inserisce file in un archivio esistente, sostituendo eventuali file esistenti con lo stesso nome. - "c": crea un nuovo file di archivio, sovrascrivendo qualsiasi file esistente con lo stesso nome. - "u": aggiorna i file in un archivio esistente, aggiungendo nuovi file o sostituendo versioni precedenti dei file. - "d": elimina file da un archivio esistente. - "t": elenca il contenuto di un archivio.
Una limitazione del formato ar è che non supporta la compressione. I file memorizzati in un archivio ar non sono compressi e vengono memorizzati nel loro formato originale. Tuttavia, gli archivi ar possono essere utilizzati in combinazione con utilità di compressione come gzip o bzip2 per creare archivi compressi.
Nonostante la sua semplicità, il formato ar è stato ampiamente utilizzato per decenni e rimane un formato standard per la creazione e la distribuzione di file di libreria su sistemi Unix e BSD. Molte comuni utilità Unix, come il comando "ar" stesso, il comando "ranlib" per generare tabelle dei simboli e il comando "nm" per elencare i simboli nei file oggetto, funzionano con gli archivi ar.
In sintesi, il formato ar (archiver) è un formato di file semplice ed efficiente utilizzato per creare e manipolare file di archivio su sistemi Unix e BSD. È costituito da un'intestazione globale che identifica l'archivio, seguita da una serie di membri di file che rappresentano i file memorizzati nell'archivio. Il formato ar supporta nomi di file lunghi tramite l'uso di una tabella dei simboli e membri di file speciali. Sebbene non fornisca una compressione integrata, gli archivi ar possono essere combinati con utilità di compressione per creare archivi compressi. Il formato ar è stato ampiamente utilizzato per decenni e rimane un formato standard per il packaging e la distribuzione di file su sistemi Unix e BSD.
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.