Format archiwum ar, skrót od formatu archiwum Unix, to format pliku używany do zbierania wielu plików w jeden plik w celu łatwiejszego przechowywania i przesyłania. Został pierwotnie opracowany dla systemów Unix, ale obecnie jest szeroko obsługiwany na różnych platformach. Format ar jest prostszy i bardziej ograniczony w porównaniu z nowszymi formatami archiwów i kompresji, ale nadal jest używany w niektórych aplikacjach.
Plik archiwum ar składa się z nagłówka globalnego, a następnie z serii nagłówków plików i danych plików. Nagłówek globalny to prosty ciąg ASCII, który identyfikuje plik jako archiwum ar. Składa się ze znaków "!<arch>\n", gdzie "\n" oznacza znak nowej linii. Ten magiczny ciąg pozwala narzędziom łatwo rozpoznawać pliki archiwum ar.
Po nagłówku globalnym następują poszczególne wpisy plików. Każdy wpis pliku zaczyna się od nagłówka pliku, który zawiera metadane dotyczące pliku. Nagłówek pliku ma stały rozmiar 60 bajtów i zawiera następujące pola: - Nazwa pliku (16 bajtów): Nazwa pliku, uzupełniona spacjami, jeśli jest krótsza niż 16 znaków. Jeśli nazwa jest dłuższa, jest ona obcinana, a końcowy znak "/" wskazuje, że nazwa jest kontynuowana w sekcji danych pliku. - Znak czasu modyfikacji (12 bajtów): Ostatni znak czasu modyfikacji pliku w dziesiętnym formacie czasu Unix, uzupełniony spacjami. - Identyfikator właściciela (6 bajtów): Numeryczny identyfikator użytkownika właściciela pliku, w formacie dziesiętnym, uzupełniony spacjami. - Identyfikator grupy (6 bajtów): Numeryczny identyfikator grupy pliku, w formacie dziesiętnym, uzupełniony spacjami. - Tryb pliku (8 bajtów): Bity uprawnień i trybu pliku, w systemie ósemkowym, uzupełnione spacjami. - Rozmiar pliku (10 bajtów): Rozmiar danych pliku w bajtach, w formacie dziesiętnym, uzupełniony spacjami. - Koniec nagłówka (2 bajty): Znaki "`\n", które oznaczają koniec nagłówka.
Po każdym nagłówku pliku dane pliku są przechowywane w archiwum. Rozmiar danych odpowiada rozmiarowi pliku określonemu w nagłówku. Jeśli rozmiar pliku jest nieparzysty, dodawany jest dodatkowy bajt wypełnienia, aby upewnić się, że następny nagłówek pliku zaczyna się na parzystej granicy bajtów. Ten bajt wypełnienia nie jest liczony w polu rozmiaru pliku w nagłówku.
Specjalne wpisy plików zwane tabelami symboli mogą być również zawarte w archiwach ar. Wpisy tabeli symboli mają nazwę pliku zaczynającą się od "/" lub "\" po której następuje ciąg cyfr. Te wpisy zawierają metadane używane do łączenia plików obiektów. Format danych tabeli symboli różni się w zależności od systemu i kompilatora.
Archiwa ar nie zawierają żadnej wbudowanej kompresji. Pliki są po prostu łączone ze sobą w ich oryginalnej formie. Jednak poszczególne pliki w archiwum ar mogą być kompresowane za pomocą innych algorytmów, takich jak gzip, przed dodaniem do archiwum.
Format ar ma pewne ograniczenia w porównaniu z bardziej nowoczesnymi formatami archiwów: - Nazwy plików są ograniczone do 16 znaków, co może być restrykcyjne. - Pola metadanych liczbowych, takie jak identyfikator użytkownika, identyfikator grupy i rozmiar pliku, mają stałe rozmiary, ograniczając ich maksymalne wartości. - W formacie nie ma wbudowanej sumy kontrolnej ani weryfikacji integralności. - Nie jest zapewniona kompresja, co skutkuje większymi rozmiarami archiwów w porównaniu z formatami takimi jak tar z gzip.
Pomimo tych ograniczeń format ar nadal jest używany w niektórych konkretnych aplikacjach. Jednym z powszechnych zastosowań są pliki bibliotek statycznych w systemach typu Unix. Te pliki bibliotek z rozszerzeniem ".a" są archiwami ar zawierającymi skompilowane pliki obiektów, które można łączyć w pliki wykonywalne. Prostota formatu ar i szerokie wsparcie sprawiają, że jest on odpowiedni do tego celu.
Podsumowując, format archiwum ar to prosty sposób na połączenie wielu plików w jeden plik. Składa się z nagłówka globalnego, a następnie z serii nagłówków plików i danych plików. Chociaż brakuje mu zaawansowanych funkcji, takich jak kompresja i obsługa długich nazw plików, nadal jest używany w określonych domenach, takich jak pliki bibliotek statycznych w systemach Unix, ze względu na jego prostotę i kompatybilność.
Kompresja plików redukuje redundancję, dzięki czemu te same informacje wymagają mniej bitów. Górna granica jest wyznaczana przez teorię informacji: dla kompresji bezstratnej limitem jest entropia źródła (zobacz teoremę kodowania źródła Shannona source coding theorem oraz jego oryginalny artykuł z 1948 roku „A Mathematical Theory of Communication”). W kompresji stratnej kompromis między przepływnością a jakością opisuje teoria rate–distortion.
Większość kompresorów działa w dwóch etapach. Najpierw model przewiduje lub ujawnia strukturę danych. Następnie koder zamienia te przewidywania w niemal optymalne wzorce bitowe. Klasyczną rodziną modeli jest Lempel–Ziv LZ77 (1977) i LZ78 (1978) wykrywają powtarzające się podciągi i zamiast surowych bajtów emitują odwołania. Po stronie kodowania kodowanie Huffmana (zob. artykuł z 1952 r.) przypisuje krótsze kody symbolom bardziej prawdopodobnym. Kodowanie arytmetyczne i range coding są jeszcze precyzyjniejsze i zbliżają się do granicy entropii, a nowoczesne Asymmetric Numeral Systems (ANS) osiągają podobne wyniki dzięki szybkim implementacjom tablicowym.
DEFLATE (wykorzystywane przez gzip, zlib i ZIP) łączy LZ77 z kodowaniem Huffmana. Specyfikacje są publiczne: DEFLATE RFC 1951, wrapper zlib RFC 1950i format gzip RFC 1952. Gzip jest przeznaczony do strumieniowania i wprost nie oferuje dostępu losowego. Obrazy PNG standaryzują DEFLATE jako jedyną metodę kompresji (maks. okno 32 KiB) zgodnie ze specyfikacją „Compression method 0… deflate/inflate… at most 32768 bytes” oraz W3C/ISO PNG 2nd Edition.
Zstandard (zstd): nowszy uniwersalny kompresor zaprojektowany dla wysokich współczynników i bardzo szybkiej dekompresji. Format opisano w RFC 8878 (oraz lustrze HTML) i w specyfikacji referencyjnej na GitHubie. Podobnie jak gzip, podstawowa ramka nie celuje w dostęp losowy. Jednym z supermocy zstd są słowniki: niewielkie próbki z korpusu, które dramatycznie poprawiają kompresję wielu małych lub podobnych plików (zob.dokumentację słowników python-zstandard i przykład Nigela Tao). Implementacje akceptują zarówno słowniki „unstructured”, jak i „structured” (dyskusja).
Brotli: zoptymalizowane pod kątem treści webowych (np. fonty WOFF2, HTTP). Łączy statyczny słownik z jądrem LZ+entropia podobnym do DEFLATE. Specyfikacja to RFC 7932, które opisuje też okno 2WBITS−16 z WBITS w [10, 24] (1 KiB−16 B do 16 MiB−16 B) i stwierdza, że nie zapewnia dostępu losowego. Brotli często pokonuje gzip na tekstach webowych, jednocześnie szybko dekodując.
Kontener ZIP: ZIP to archiwum plików, które może przechowywać wpisy z różnymi metodami kompresji (deflate, store, zstd itd.). De facto standardem jest APPNOTE PKWARE (zob.portal APPNOTE, hostowaną kopięoraz omówienia LC ZIP File Format (PKWARE) / ZIP 6.3.3).
LZ4 celuje w surową szybkość przy umiarkowanych współczynnikach. Zobacz stronę projektu („extremely fast compression”) oraz opis formatu ramek. Idealne do cache w pamięci, telemetrii lub wrażliwych ścieżek, gdzie dekompresja musi być prawie tak szybka jak RAM.
XZ / LZMA goni za wysoką gęstością (świetnymi współczynnikami) kosztem wolniejszej kompresji. XZ to kontener; ciężar pracy wykonują zwykle LZMA/LZMA2 (modelowanie podobne do LZ77 + range coding). Zobacz format .xz, specyfikację LZMA (Pavlov)oraz notatki jądra Linux o XZ Embedded. XZ zwykle kompresuje lepiej niż gzip i często konkuruje z nowoczesnymi kodekami wysokiego współczynnika, ale wymaga dłuższego kodowania.
bzip2 stosuje Transformację Burrowsa–Wheelera (BWT), move-to-front, RLE i kodowanie Huffmana. Zwykle daje mniejsze pliki niż gzip, ale działa wolniej; zobacz oficjalny podręcznik oraz stronę man (Linux).
Liczy się „rozmiar okna”. Odwołania w DEFLATE mogą sięgać tylko 32 KiB wstecz (RFC 1951) oraz limitu PNG 32 KiB opisanego tutaj. Brotli ma okno od ~1 KiB do 16 MiB (RFC 7932). Zstd dostraja okno i głębokość wyszukiwania poziomami (RFC 8878). Podstawowe strumienie gzip/zstd/brotli są projektowane do sekwencyjnego dekodowania; same formaty nie gwarantują dostępu losowego, choć kontenery (np. indeksy tar, ramek chunked lub indeksy specyficzne dla formatu) mogą go dodać.
Powyższe formaty s ą bezstratne: odtwarzają dokładnie te same bajty. Kodeki multimedialne często są stratne: odrzucają niewidoczne szczegóły, by osiągnąć niższe bitrate’y. W obrazach klasyczny JPEG (DCT, kwantyzacja, kodowanie entropijne) jest standaryzowany w ITU-T T.81 / ISO/IEC 10918-1. W audio MP3 (MPEG-1 Layer III) i AAC (MPEG-2/4) używają modeli percepcyjnych i transformacji MDCT (zob.ISO/IEC 11172-3, ISO/IEC 13818-7i przegląd MDCT tutaj). Metody stratne i bezstratne mogą współistnieć (np. PNG do UI, kodeki webowe dla obrazów/wideo/audio).
Teoria Shannon 1948 · Rate–distortion · Kodowanie Huffman 1952 · Kodowanie arytmetyczne · Range coding · ANS. Format DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4 frame · Format XZ. Stos BWT Burrows–Wheeler (1994) · podręcznik bzip2. Media JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
Podsumowanie: wybierz kompresor dopasowany do danych i ograniczeń, mierz na prawdziwych próbkach i nie zapominaj o zyskach ze słowników oraz sprytnego ramek. Z odpowiednią parą uzyskasz mniejsze pliki, szybsze transfery i żwawsze aplikacje bez poświęcania poprawności czy przenośno ści.
Kompresja plików to proces, który zmniejsza rozmiar pliku lub plików, zazwyczaj w celu oszczędności miejsca na dysku lub przyspieszenia transmisji przez sieć.
Kompresja plików działa poprzez identyfikowanie i usuwanie nadmiarowej informacji w danych. Wykorzystuje algorytmy do kodowania oryginalnych danych w mniejszej przestrzeni.
Dwa główne typy kompresji plików to kompresja bezstratna i stratna. Kompresja bezstratna pozwala na idealne przywrócenie oryginalnego pliku, podczas gdy kompresja stratna umożliwia znaczniejsze zmniejszenie rozmiaru kosztem pewnej utraty jakości danych.
Popularnym przykładem narzędzia do kompresji plików jest WinZip, który obsługuje wiele formatów kompresji, w tym ZIP i RAR.
W przypadku kompresji bezstratnej, jakość pozostaje niezmieniona. Jednak przy kompresji stratnej może dojść do zauważalnego spadku jakości, ponieważ eliminuje ona mniej ważne dane, aby bardziej znacząco zmniejszyć rozmiar pliku.
Tak, kompresja plików jest bezpieczna pod względem integralności danych, zwłaszcza przy kompresji bezstratnej. Jednak, jak wszystkie pliki, skompresowane pliki mogą być celem dla złośliwego oprogramowania lub wirusów, dlatego zawsze ważne jest, aby mieć zainstalowane wiarygodne oprogramowanie zabezpieczające.
Prawie wszystkie typy plików można skompresować, w tym pliki tekstowe, obrazy, audio, wideo i pliki oprogramowania. Jednak poziom możliwej do osiągnięcia kompresji może znacznie różnić się w zależności od typu pliku.
Plik ZIP to typ formatu pliku, który wykorzystuje kompresję bezstratną do zmniejszenia rozmiaru jednego lub więcej plików. Wiele plików w pliku ZIP jest efektywnie grupowanych razem w jeden plik, co ułatwia również udostępnianie.
Technicznie tak, chociaż dodatkowe zmniejszenie rozmiaru może być minimalne lub nawet niekorzystne. Kompresowanie już skompresowanego pliku czasami może zwiększyć jego rozmiar z powodu metadanych dodawanych przez algorytm kompresji.
Aby rozpakować plik, zazwyczaj potrzebujesz narzędzia do dekompresji lub rozpakowywania, takiego jak WinZip czy 7-Zip. Te narzędzia mogą wyodrębnić oryginalne pliki z formatu skompresowanego.