Il formato di file ZIP è un formato di compressione e archiviazione ampiamente utilizzato che consente di raggruppare più file in un unico file compresso. È stato originariamente creato da Phil Katz nel 1989 e da allora è diventato uno standard onnipresente per la compressione e la distribuzione dei file. Il formato ZIP utilizza una combinazione di algoritmi di compressione senza perdita per ridurre le dimensioni dei file contenuti, pur consentendo comunque la loro estrazione individuale su richiesta.
Un archivio ZIP è costituito da una sequenza di record di file, ognuno dei quali rappresenta un file compresso, seguito da una directory centrale alla fine dell'archivio. Ogni record di file include metadati sul file, come nome, dimensione e timestamp, nonché i dati del file compresso stesso. La directory centrale contiene un elenco di tutti i record di file nell'archivio, insieme a metadati aggiuntivi.
Il formato ZIP supporta diversi metodi di compressione, ma il più comunemente utilizzato è DEFLATE, che si basa sull'algoritmo LZ77 e sulla codifica Huffman. DEFLATE funziona trovando sequenze ripetute di dati e sostituendole con riferimenti a occorrenze precedenti, combinate con la codifica Huffman per rappresentare in modo efficiente i dati compressi. Ciò consente una significativa riduzione delle dimensioni, soprattutto per i file basati su testo.
Per creare un archivio ZIP, i file vengono prima compressi individualmente utilizzando il metodo di compressione scelto. Ogni file compresso viene quindi aggiunto all'archivio come record di file, che include un'intestazione di file locale seguita dai dati compressi. L'intestazione del file locale contiene metadati come il nome del file, il metodo di compressione, il checksum CRC-32, le dimensioni compresse e non compresse e i timestamp.
Dopo che tutti i record di file sono stati aggiunti, la directory centrale viene scritta alla fine dell'archivio. La directory centrale inizia con una firma e include un'intestazione di file per ciascun record di file, contenente metadati simili alle intestazioni dei file locali. Inoltre, la directory centrale include informazioni sull'archivio nel suo insieme, come il numero di file e le dimensioni della directory centrale.
Infine, l'archivio ZIP si conclude con un record di fine directory centrale, che include una firma, il numero di dischi su cui inizia la directory centrale, il numero di record della directory centrale, le dimensioni della directory centrale, l'offset dell'inizio della directory centrale rispetto all'inizio dell'archivio e un campo di commento.
Una delle caratteristiche principali del formato ZIP è la sua capacità di supportare vari metodi di compressione. Oltre a DEFLATE, supporta anche il metodo STORE (nessuna compressione), BZIP2, LZMA, PPMd e altri. Questa flessibilità consente un equilibrio tra rapporto di compressione e tempo di elaborazione, a seconda delle esigenze specifiche del caso d'uso.
Un altro aspetto importante del formato ZIP è il suo supporto per la crittografia di file e directory. Il tradizionale schema di crittografia ZIP utilizzava un semplice metodo di crittografia basato su password, ma questo è stato ampiamente sostituito dalla crittografia AES più sicura negli strumenti ZIP moderni. Quando un file viene crittografato, i suoi dati compressi vengono crittografati utilizzando il metodo di crittografia scelto e vengono aggiunti metadati aggiuntivi all'intestazione del file per indicare lo stato di crittografia.
Il formato ZIP include anche funzionalità per il controllo dell'integrità dei dati e il rilevamento degli errori. Ogni record di file include un checksum CRC-32 dei dati non compressi, che consente di verificare l'integrità del file al momento dell'estrazione. Inoltre, la directory centrale include un checksum CRC-32 dell'intera struttura della directory centrale, fornendo un ulteriore livello di controllo dell'integrità per l'archivio nel suo insieme.
Nel corso degli anni, sono state apportate diverse estensioni e miglioramenti al formato ZIP per migliorarne la funzionalità e l'efficienza. Una di queste estensioni è il formato ZIP64, che consente archivi e file di dimensioni superiori a 4 GB. Ciò viene ottenuto utilizzando campi a 64 bit per i valori di dimensione e offset, invece dei campi originali a 32 bit. Un'altra estensione è l'uso della codifica del nome del file e del commento, che consente l'uso di caratteri Unicode nei nomi dei file e nei commenti.
Il formato ZIP è stato anche adattato per l'uso in vari contesti specializzati, come il formato OpenDocument utilizzato dalle suite per la produttività d'ufficio, il formato JAR (Java Archive) utilizzato per la distribuzione di applicazioni Java e il formato EPUB utilizzato per gli e-book. In questi casi, il formato ZIP funge da contenitore per i tipi di file specifici e i metadati richiesti dai rispettivi formati.
Nonostante la sua età, il formato ZIP rimane ampiamente utilizzato e supportato su piattaforme e dispositivi. La sua semplicità, efficienza e compatibilità lo hanno reso una scelta ideale per la compressione e la distribuzione dei file. Tuttavia, ci sono anche alcune limitazioni al formato ZIP, come la mancanza di supporto integrato per archivi divisi, compressione solida o record di ripristino.
Per affrontare alcune di queste limitazioni, sono stati sviluppati formati di archiviazione alternativi, come RAR, 7z e TAR. Questi formati offrono funzionalità aggiuntive e rapporti di compressione migliorati in alcuni casi, ma potrebbero non avere lo stesso livello di supporto universale di ZIP.
In conclusione, il formato di file ZIP è un formato di compressione e archiviazione versatile ed efficiente che ha resistito alla prova del tempo. La sua capacità di raggruppare più file insieme, comprimerli in modo efficiente e fornire il controllo dell'integrità dei dati lo ha reso uno strumento essenziale per l'archiviazione e la distribuzione dei file. Nonostante alcune limitazioni, il formato ZIP continua a essere ampiamente utilizzato e supportato, grazie alla sua semplicità e compatibilità.
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.