웹 ARChive(WARC) 형식은 웹 크롤링 데이터를 보관하는 데 사용되는 표준 파일 형식입니다. 이는 이전의 인터넷 아카이브 ARC 형식을 개선한 것으로 국제 인터넷 보존 컨소시엄(IIPC)에서 개발했습니다. WARC 파일에는 일반 텍스트 헤더와 이진 콘텐츠 데이터로 구성된 콘텐츠 블록이 연속적으로 포함되어 있으며, 이를 통해 장기 보존과 웹 기반 리소스에 대한 액세스에 더욱 적합합니다.
WARC 파일은 HTTP, DNS, FTP와 같은 주류 인터넷 애플리케이션 계층 프로토콜의 페이로드 콘텐츠와 제어 정보를 모두 저장하도록 설계되었습니다. 각 WARC 파일은 자체 포함형 아카이브이므로 여러 개의 개별 리소스를 단일 파일에 저장할 수 있습니다. 이를 통해 웹 크롤러가 대량의 웹 데이터를 저장하고 처리하는 데 효율적이고 편리한 형식이 됩니다.
WARC 형식 사양은 보관 프로세스에서 특정 목적을 수행하는 여러 유형의 레코드를 정의합니다. - `warcinfo`: WARC 파일 자체에 대한 메타데이터를 포함하며, 이는 파일을 만드는 데 사용된 소프트웨어, 생성 날짜, 크롤링에 대한 추가 정보 등입니다. - `response`: 웹 서버에서 반환한 헤더와 본문을 포함한 HTTP 응답 메시지를 저장합니다. - `request`: 크롤러가 웹 서버에 보낸 HTTP 요청 메시지를 저장합니다. - `metadata`: 리소스에 대한 추가 정보를 포함하며, 이는 바이러스 검사 결과나 HTML 페이지에서 추출한 텍스트 등입니다. - `revisit`: 리소스의 콘텐츠가 이전 캡처 이후로 변경되지 않았음을 나타내며, 이를 통해 웹 아카이브의 더욱 효율적인 저장 및 재생이 가능합니다. - `conversion`: 리소스를 한 형식에서 다른 형식으로 변환한 결과를 저장하며, 이는 HTML 페이지를 일반 텍스트로 변환하는 것과 같습니다.
각 WARC 레코드는 일반 텍스트 헤더와 이진 콘텐츠 블록으로 구성됩니다. 헤더에는 WARC 레코드 유형, 리소스의 URI, 캡처 날짜 및 시 간, 콘텐츠 길이와 같은 레코드에 대한 메타데이터를 제공하는 키-값 쌍이 포함됩니다. 이진 콘텐츠 블록은 HTTP 응답 본문이나 FTP 전송의 페이로드와 같은 리소스의 실제 데이터를 저장합니다.
WARC 형식의 주요 장점 중 하나는 각 리소스의 무결성과 컨텍스트를 유지하면서 여러 리소스를 단일 파일에 저장할 수 있는 기능입니다. 이는 WARC 파일 내의 레코드에 계층적 명명 체계를 사용하여 달성됩니다. 각 레코드에는 필수 파일 이름과 선택적 레코드 ID로 구성된 고유 식별자가 할당됩니다. 이를 통해 WARC 파일 내에서 개별 리소스를 쉽게 검색하고 관리할 수 있습니다.
WARC 파일은 또한 압축을 지원하며, 이를 통해 저장 요구 사항을 줄이고 전송 속도를 향상시킵니다. WARC 파일에서 가장 일반적으로 사용되는 압축 알고리즘은 gzip과 bzip2입니다. 압축된 WARC 파일은 일반적으로 확장자 `.warc.gz` 또는 `.warc.bz2`를 갖습니다.
WARC 파일의 처리 및 분석을 용이하게 하기 위해 다양한 소프트웨어 도구와 라이브러리가 개발되었습니다. 여기에는 WARC 파일을 직접 출력할 수 있는 Heritrix와 같은 웹 크롤러와 WARC 파일에서 보관된 웹 페이지를 재생할 수 있는 OpenWayback과 같은 도구가 포함됩니다. Java Web Archive Toolkit(JWAT)과 Python WarcIO 라이브러리와 같은 프로그래밍 라이브러리는 WARC 파일을 읽고, 쓰고, 조작하기 위한 API를 제공합니다.
WARC 형식은 견고성, 유연성, 웹 보존에 참여하는 기관 및 조직의 광범위한 채택 덕분에 웹 보관의 사실상 표준이 되었습니다. 이를 통해 인터넷 아카이브의 Wayback Machine과 같이 1996년부터 캡처한 4750억 개 이상의 웹 페이지를 포함하는 대규모 웹 아카이브를 만들 수 있었습니다.
요약하자면 WARC 형식은 미래 세대를 위해 웹 기반 정보를 보존하고 액세스하는 데 필수적인 도구입니다. 표준화된 구조, 여러 레코드 유형 지원, 콘텐츠와 메타데이터를 모두 저장할 수 있는 기능은 지속적으로 성장하고 진화하는 웹을 보관하는 데 이상적인 형식입니다. 인터넷이 우리 삶에서 점점 더 중요한 역할을 하면서 WARC 형식은 의심할 여지 없이 웹 보존 노력의 필수적인 구성 요소로 남을 것입니다.
파일 압축은 동일한 정보가 더 적은 비트를 차지하도록 중복성을 줄입니다. 얼마나 멀리 갈 수 있는지에 대한 상한선은 정보 이론에 의해 결정됩니다. 무손실 압축의 경우, 한계는 소스의 엔트로피입니다(섀넌의 소스 코딩 정리 와 그의 1948년 원본 논문 “통신의 수학적 이론”참조). 손실 압축의 경우, 속도와 품질 간의 절충은 속도-왜곡 이론에 의해 포착됩니다.
대부분의 압축기에는 두 단계가 있습니다. 첫째, 모델이 데이터의 구조를 예측하거나 노출합니다. 둘째, 코더가 이러한 예측을 거의 최적의 비트 패턴으로 변환합니다. 고전적인 모델링 계열은 렘펠-지브입니다. LZ77 (1977) 과 LZ78 (1978)은 반복되는 하위 문자열을 감지하고 원시 바이트 대신 참조를 내 보냅니다. 코딩 측면에서는 허프만 코딩 (원본 논문 1952참조)이 더 가능성 있는 기호에 더 짧은 코드를 할당합니다. 산술 코딩 과 범위 코딩 은 엔트로피 한계에 더 가깝게 압축하는 더 세분화된 대안이며, 현대적인 비대칭 숫자 체계(ANS) 는 빠른 테이블 기반 구현으로 유사한 압축을 달성합니다.
DEFLATE(gzip, zlib, ZIP에서 사용)는 LZ77과 허프만 코딩을 결합합니다. 사양은 공개되어 있습니다. DEFLATE RFC 1951, zlib 래퍼 RFC 1950, gzip 파일 형식 RFC 1952. Gzip은 스트리밍을 위해 구성되었으며 명시적으로 임의 접근을 시도하지 않습니다. PNG 이미지는 PNG 사양에 따라 DEFLATE를 유일한 압축 방법으로 표준화합니다(최대 32KiB 창). “압축 방법 0… deflate/inflate… 최대 32768바이트” 및 W3C/ISO PNG 제2판.
Zstandard (zstd): 매우 빠른 압축 해제와 높은 비율을 위해 설계된 최신 범용 압축기입니다. 형식은 RFC 8878 (또한 HTML 미러) 및 참조 사양 GitHub에 문서화되어 있습니다. gzip과 마찬가지로 기본 프레임은 임의 접근을 목표로 하지 않습니다. zstd의 초능력 중 하나는 사전입니다. 코퍼스에서 가져온 작은 샘플로, 작거나 유사한 많은 파일에서 압축을 극적으로 향상시킵니다( python-zstandard 사전 문서 및 Nigel Tao의 작업 예제참조). 구현은 “비정형” 및 “정형” 사전을 모두 허용합니다 (토론).
Brotli: 웹 콘텐츠(예: WOFF2 글꼴, HTTP)에 최적화되어 있습니다. 정적 사전과 DEFLATE와 유사한 LZ+엔트로피 코어를 혼합합니다. 사양은 RFC 7932이며, WBITS가 [10, 24]인 2WBITS−16의 슬라이딩 윈도우(1KiB−16B ~ 16MiB−16B)와 임의 접근을 시도하지 않음을 명시합니다. Brotli는 웹 텍스트에서 gzip을 자주 능가하며 빠르게 디코딩됩니다.
ZIP 컨테이너: ZIP은 다양한 압축 방법 (deflate, store, zstd 등)으로 항목을 저장할 수 있는 파일 아카이브입니다. 사실상의 표준은 PKWARE의 APPNOTE입니다( APPNOTE 포털, 호스팅된 사본, LC 개요 ZIP 파일 형식(PKWARE) / ZIP 6.3.3참조).
LZ4는 적당한 비율로 원시 속도를 목표로 합니다. 프로젝트 페이지 (「매우 빠른 압축」)와 프레임 형식을 참조하십시오. 압축 해제가 RAM 속도에 가까워야 하는 인메모리 캐시, 원격 측정 또는 핫 경로에 이상적입니다.
XZ / LZMA는 비교적 느린 압축으로 밀도(훌륭한 비율)를 추구합니다. XZ는 컨테이너입니다. 무거운 작업은 일반적으로 LZMA/LZMA2(LZ77과 유사한 모델링 + 범위 코딩)에 의해 수행됩니다. .xz 파일 형식, LZMA 사양(Pavlov), 리눅스 커널 노트 XZ 임베디드를 참조하십시오. XZ는 일반적으로 gzip보다 압축률이 높으며 종종 높은 비율의 최신 코덱과 경쟁하지만 인코딩 시간이 더 깁니다.
bzip2는 버로우즈-휠러 변환(BWT), move-to-front, RLE 및 허프만 코딩을 적용합니다. 일반적으로 gzip보다 작지만 느립니다. 공식 설명서 와 man 페이지 (리눅스)를 참조하십시오.
“창 크기”가 중요합니다. DEFLATE 참조는 32KiB만 되돌아볼 수 있습니다 (RFC 1951 및 PNG의 32KiB 상한 여기에 명시됨). Brotli의 창은 약 1KiB에서 16MiB까지 다양합니다 (RFC 7932). Zstd는 레벨별로 창과 검색 깊이를 조정합니다 (RFC 8878). 기본 gzip/zstd/brotli 스트림은 순차적 디코딩을 위해 설계되었습니다. 기본 형식은 임의 접근을 약속하지 않습니다. 하지만 컨테이너(예: tar 인덱스, 청크 프레이밍 또는 형식별 인덱스)를 통해 계층화할 수 있습니다.
위의 형식은 무손실입니다. 정확한 바이트를 재구성할 수 있습니다. 미디어 코덱은 종종 손실입니다. 더 낮은 비트 전송률을 달성하기 위해 감지할 수 없는 세부 정보를 버립니다. 이미지에서 클래식 JPEG(DCT, 양자화, 엔트로피 코딩)는 ITU-T T.81 / ISO/IEC 10918-1에 표준화되어 있습니다. 오디오에서 MP3(MPEG-1 Layer III) 및 AAC(MPEG-2/4)는 지각 모델 및 MDCT 변환에 의존합니다( ISO/IEC 11172-3, ISO/IEC 13818-7, MDCT 개요 여기참조). 손실 및 무손실은 공존할 수 있습니다(예: UI 자산용 PNG, 이미지/비디오/오디오용 웹 코덱).
이론: 섀넌 1948 · 속도-왜곡 · 코딩: 허프만 1952 · 산술 코딩 · 범위 코딩 · ANS. 형식: DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4 프레임 · XZ 형식. BWT 스택: 버로우즈-휠러(1994) · bzip2 설명서. 미디어: JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
결론: 데이터와 제약 조건에 맞는 압축기를 선택하고, 실제 입력으로 측정하고, 사전과 스마트 프레이밍의 이점을 잊지 마십시오. 올바른 조합으로 정확성이나 이식성을 희생하지 않고 더 작은 파일, 더 빠른 전송, 더 빠른 앱을 얻을 수 있습니다.
파일 압축은 파일 또는 파일들의 크기를 줄이는 과정으로, 일반적으로 저장 공간을 절약하거나 네트워크를 통한 전송을 가속화하기 위해 사용됩니다.
파일 압축은 데이터의 중복성을 식별하고 제거함으로써 작동합니다. 원래의 데이터를 더 작은 공간에 인코딩하기 위해 알고리즘을 사용합니다.
파일 압축의 두 가지 주요 유형은 손실 없는 압축과 손실 압축입니다. 손실 없는 압축은 원래 파일을 완벽하게 복원할 수 있게 하는 반면, 손실 압축은 데이터 품질의 일부 손실을 감수하면서 더 큰 크기 축소를 가능하게 합니다.
파일 압축 도구의 인기 있는 예는 ZIP과 RAR 같은 다양한 압축 형식을 지원하는 WinZip입니다.
손실 없는 압축에서는 품질이 변하지 않습니다. 그러나 손실 압축에서는 파일 크기를 더욱 크게 줄이기 위해 중요하지 않은 데이터를 제거하기 때문에 품질 저하가 눈에 띄게 될 수 있습니다.
네, 특히 손실 없는 압축에서는 데이터 무결성 측면에서 파일 압축이 안전합니다. 그러나 모든 파일과 마찬가지로, 압축된 파일도 멀웨어나 바이러스의 대상이 될 수 있으므로, 항상 신뢰할 수 있는 보안 소프트웨어를 갖추는 것이 중요합니다.
거의 모든 종류의 파일들은 압축이 가능하며, 이에는 텍스트 파일, 이미지, 오디오, 비디오, 소프트웨어 파일이 포함됩니다. 그러나, 압축 가능한 수준은 파일 유형에 따라 크게 달라질 수 있습니다.
ZIP 파일은 파일의 크기를 줄이는 데 손실 없는 압축을 사용하는 파일 형식의 일종입니다. ZIP 파일 안에는 여러 파일이 효과적으로 한 개의 파일로 묶여 있어 공유가 더욱 쉽습니다.
기술적으로는 가능합니다, 그러나 추가적인 크기 줄임은 최소한이거나 심지어 역효과일 수 있습니다. 이미 압축된 파일을 다시 압축하려고 하면, 압축 알고리즘이 추가하는 메타데이터 때문에 파일의 크기가 증가하기도 합니다.
파일을 압축 해제하려면 일반적으로 압축 해제 또는 압축 풀기 도구, 예를 들면 WinZip이나 7-Zip 같은 도구가 필요합니다. 이러한 도구들은 원래의 파일을 압축된 형식에서 추출할 수 있습니다.