Il formato di archivio PKZ è un formato di archivio compresso proprietario sviluppato da PKWARE, Inc. per il packaging e la compressione di file e directory. È comunemente utilizzato sui sistemi Microsoft Windows ma può essere utilizzato anche su altre piattaforme. Il formato utilizza una combinazione di compressione DEFLATE e vari filtri di pre-elaborazione per ottenere un elevato rapporto di compressione bilanciando velocità e utilizzo della memoria.
Un archivio PKZ è costituito da una serie di "intestazioni di file locali" per ciascun file, intestazioni di decrittografia/crittografia dell'archivio opzionali, blocchi di dati di file compressi, una struttura di directory centrale e un record di fine directory centrale. Ciò consente un rapido accesso ai singoli file compressi, crittografia opzionale, controlli di integrità dei dati e la possibilità di archiviare metadati sui file archiviati.
Ogni intestazione di file locale contiene informazioni sul file come nome, dimensione, timestamp, checksum CRC-32 e metodo di compressione utilizzato. L'intestazione specifica anche eventuali funzionalità opzionali applicate al file come crittografia, filtri di pre-elaborazione, patching o spanning dei dati su più archivi. L'intestazione locale è seguita dai dati del file compressi o archiviati.
PKZ supporta diversi metodi di compressione, con DEFLATE che è il più comune. DEFLATE è un algoritmo di compressione dati senza perdita che combina la compressione LZ77 e la codifica Huffman. PKZIP può anche archiviare file senza compressione, se lo si desidera. Raramente, possono essere utilizzati altri metodi di compressione legacy, come LZMA o Bzip2.
Prima di comprimere un file con DEFLATE, possono essere applicati vari filtri di pre-elaborazione per migliorare la compressione. Questi includono metodi come la riduzione delle dimensioni dei simboli, lo scambio di byte per aumentare la ridondanza, i filtri BCJ per file eseguibili e i filtri delta per aggiornamenti o patching incrementali. I filtri vengono applicati come parte del processo di compressione prima che i dati vengano passati al compressore DEFLATE.
Per la convalida dell'integrità dei dati, ciascun file registra un checksum CRC-32 dei dati non compressi nella sua intestazione locale. Lo stesso checksum viene registrato nella voce della directory centrale per il file. Ciò consente di verificare che un file sia stato compresso e decompresso correttamente senza danneggiamento dei dati.
Gli archivi PKZ possono facoltativamente crittografare i dati e le intestazioni dei file utilizzando la crittografia simmetrica. Le versioni precedenti utilizzavano ZipCrypto, mentre le versioni più recenti utilizzano la crittografia AES. Durante la crittografia, il metodo di crittografia selezionato viene registrato nell'archivio e ciascun file può specificare la propria password. La crittografia autenticata viene utilizzata per rilevare eventuali manomissioni o danneggiamenti dei dati crittografati.
La directory centrale segue i dati del file compresso e funge da indice per l'archivio. Contiene una voce di intestazione file per ciascun file con i suoi metadati, gli offset alle intestazioni locali e altre informazioni necessarie per decomprimere i file. Le voci sono ordinate per nome file. Una firma digitale opzionale può essere applicata alla directory centrale per proteggerla ulteriormente da manomissioni.
Infine, il record di fine directory centrale segna la fine del file di archivio. Memorizza il numero di voci nella directory centrale, le sue dimensioni e l'offset e un campo di commento. Per gli archivi suddivisi in più file, contiene anche informazioni su come individuare gli altri file di archivio.
Il formato PKZ consente di accedere in modo efficiente a singoli file all'interno di un archivio senza dover decomprimere l'intero archivio. Ciò avviene leggendo la directory centrale, individuando la voce del file desiderato, quindi leggendo e decomprimendo il blocco file locale specifico dal suo offset. È anche possibile aprire e decomprimere più file contemporaneamente.
Per creare un archivio PKZ, i file vengono prima filtrati e compressi individualmente in blocchi di file locali. Le voci della directory centrale vengono generate dalle intestazioni locali e dai metadati del file. La directory centrale viene quindi firmata digitalmente se necessario. Infine, viene scritto il record di fine directory centrale che punta alla directory centrale.
L'estrazione di un archivio PKZ inizia leggendo la fine della directory centrale per individuare le voci della directory centrale. Le voci dei file desiderati vengono trovate e ciascuna viene decompressa leggendo la sua intestazione locale e i dati compressi dagli offset specificati. Eventuali crittografie vengono rimosse e i filtri pre-elaborati vengono invertiti per ottenere il contenuto del file originale.
Alcune altre caratteristiche del formato PKZ includono: suddivisione degli archivi in più file, volumi o segmenti; supporto per nomi di file Unicode; autorizzazioni e attributi del file system NTFS; funzionalità di aggiornamento/patching integrate; e metadati estensibili come firme digitali, digest hash e dati specifici dell'applicazione.
Nel complesso, il formato PKZ è un formato di archivio efficiente e flessibile per la compressione e il packaging di file. La sua capacità di comprimere file individualmente, applicare filtri di pre-elaborazione ed estrarre rapidamente file specifici senza elaborare l'intero archivio lo rende adatto per il packaging di programmi di installazione software, aggiornamenti firmware, documenti e altro. Il supporto per la crittografia, i controlli di integrità dei dati e le firme digitali consentono inoltre di fornire un elevato livello di sicurezza quando necessario.
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.