Format GNU TAR (Tape Archive) to szeroko stosowany format archiwizacji i kompresji plików w systemach operacyjnych typu Unix. Początkowo został zaprojektowany do tworzenia kopii zapasowych plików na taśmie magnetycznej, ale obecnie jest powszechnie używany do zbierania wielu plików w jeden skompresowany plik archiwum w celu wydajnego przechowywania i przesyłania. Format TAR umożliwia zachowanie atrybutów plików, struktur katalogów i obsługuje różne algorytmy kompresji.
Plik archiwum TAR składa się z serii rekordów nagłówków plików i bloków danych plików. Każdy plik w archiwum jest reprezentowany przez rekord nagłówka, który zawiera metadane dotyczące pliku, a następnie same dane pliku. Rekord nagłówka ma rozmiar 512 bajtów i zawiera pola takie jak nazwa pliku, tryb pliku (uprawnienia), identyfikatory właściciela i grupy, rozmiar pliku, czas modyfikacji i suma kontrolna.
Pole nazwy pliku w rekordzie nagłówka może mieć długość do 100 znaków. Jeśli nazwa pliku przekracza 100 znaków, jest przechowywana przy użyciu pola „prefix”, które jest dodatkowym 155 bajtami. Prefiks jest łączony z nazwą pliku w celu utworzenia pełnej ścieżki. Pole trybu pliku zawiera uprawnienia pliku Unix i typ pliku (zwykły plik, katalog, dowiązanie symboliczne itp.).
Po rekordzie nagłówka następują dane pliku, które są przechowywane w sąsiadujących blokach 512-bajtowych. Jeśli rozmiar pliku nie jest wielokrotnością 512 bajtów, ostatni blok jest wypełniany bajtami zerowymi. Bloki danych każdego pliku są zapisywane sekwencyjnie w archiwum, bez separatorów lub ograniczników między plikami.
Archiwa TAR obsługują kilka typów rekordów nagłówków oprócz zwykłych plików i katalogów. Dowiązania symboliczne i dowiązania twarde są reprezentowane za pomocą specjalnych rekordów nagłówków, które odwołują się do pliku docelowego. Obsługiwane są również pliki urządzeń, nazwane potoki i inne specjalne typy plików. Atrybuty rozszerzone i ACL można przechowywać za pomocą nagłówków formatu wymiany pax.
Jedną z kluczowych cech formatu TAR jest obsługa długich nazw plików i ścieżek. Wczesne wersje TAR były ograniczone do 100-znakowych nazw plików, ale późniejsze wersje, takie jak szeroko stosowany format USTAR (Unix Standard TAR), rozszerzyły to, aby obsługiwać dłuższe nazwy. Standard POSIX.1-2001 wprowadził nowy rozszerzalny format, który umożliwia jeszcze dłuższe nazwy plików i ścieżki, a także dodatkowe pola metadanych.
Kompresja jest powszechnie stosowana w połączeniu z archiwami TAR w celu zmniejszenia rozmiaru pliku. Najpopularniejszymi metodami kompresji są gzip (.tar.gz lub .tgz), bzip2 (.tar.bz2) i xz (.tar.xz). Te skompresowane archiwa TAR są tworzone poprzez najpierw utworzenie zwykłego archiwum TAR, a następnie skompresowanie go za pomocą wybranego algorytmu kompresji. Podczas wyodrębniania skompresowanego archiwum TAR kompresja jest najpierw usuwana, a następnie stosowany jest zwykły proces wyodrębniania TAR.
Format TAR zawiera również wbudowane mechanizmy wykrywania i odzyskiwania błędów. Każdy rekord nagłówka zawiera pole sumy kontrolnej, które jest obliczane podczas tworzenia archiwum. Podczas wyodrębniania plików z archiwum TAR suma kontrolna jest weryfikowana w celu zapewnienia integralności danych. Jeśli zostanie wykryta niezgodność sumy kontrolnej, zgłaszany jest błąd, a wyodrębnianie może albo pominąć uszkodzony plik, albo spróbować odzyskać jak najwięcej danych.
Oprócz podstawowego formatu TAR istnieje kilka wariantów i rozszerzeń. Wersja GNU TAR, która jest szeroko stosowana w dystrybucjach Linuksa, zawiera dodatkowe funkcje, takie jak archiwa wielotomowe, obsługa plików rozproszonych i przyrostowe kopie zapasowe. Inne rozszerzenia, takie jak star i pax, oferują lepszą wydajność, zgodność z systemami innymi niż Unix i obsługę rozszerzonych metadanych.
Pomimo swojego wieku i ograniczeń format TAR jest nadal szeroko stosowany ze względu na swoją prostotę, przenośność i szerokie wsparcie na różnych platformach i narzędziach. Służy jako podstawa dla wielu rozwiązań do tworzenia kopii zapasowych i archiwizacji na wyższym poziomie i jest często używany jako format kontenera do dystrybucji pakietów oprogramowania i kodu źródłowego. Wraz z pojawieniem się nowych technologii i nośników pamięci format TAR został dostosowany i ewoluował, aby sprostać zmieniającym się potrzebom, zapewniając jego ciągłą przydatność w nowoczesnych środowiskach obliczeniowych.
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 są 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 przenośności.
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.