PAX (Packed Archive Format) to format pliku używany do archiwizowania i kompresowania plików i katalogów. Został pierwotnie opracowany przez Google i opiera się na połączeniu technik z formatów ZIP i tar. PAX ma na celu zapewnienie wydajnej kompresji, szybkiego losowego dostępu do plików i rozszerzalności dla niestandardowych metadanych.
W swojej istocie archiwum PAX składa się z centralnego katalogu zawierającego metadane dotyczące zarchiwizowanych plików, a następnie same skompresowane dane pliku. Katalog centralny zawsze znajduje się na końcu archiwum w celu szybkiego dostępu bez konieczności skanowania całego pliku.
Każdy wpis pliku w katalogu centralnym zawiera informacje takie jak ścieżka pliku, rozmiar, znacznik czasu, suma kontrolna CRC32 i użyta metoda kompresji. Ścieżka pliku jest przechowywana jako ciąg Unicode, co umożliwia obsługę nazw plików innych niż ASCII. PAX używa kodowania UTF-8 dla ścieżek plików.
Do kompresji PAX obsługuje wiele algorytmów, w tym DEFLATE, Brotli i Zstandard (zstd). DEFLATE to domyślna metoda, która jest tym samym algorytmem używanym w ZIP i gzip. Zapewnia dobry balans między współczynnikiem kompresji a szybkością. Brotli i Zstandard to nowsze algorytmy, które mogą oferować lepsze współczynniki kompresji, szczególnie dla niektórych typów danych, takich jak pliki tekstowe, kosztem wolniejszych prędkości kompresji i dekompresji.
Skompresowane dane pliku w PAX są przechowywane w blokach, przy czym każdy blok ma maksymalny nieskompresowany rozmiar 1 MB. To podzielone przechowywanie umożliwia wydajny losowy dostęp do plików, ponieważ tylko niezbędne bloki muszą zostać zlokalizowane i zdekompresowane, aby wyodrębnić określony plik, zamiast przetwarzać całe archiwum.
Jedną z kluczowych cech PAX jest obsługa kompresji solidnej. Dzięki kompresji solidnej archiwum jest traktowane jako pojedynczy ciągły strumień danych, a nie jako zbiór oddzielnych plików. Pozwala to kompresorowi znaleźć redundancje i wzorce w granicach plików, co potencjalnie skutkuje wyższymi współczynnikami kompresji. Jednak kompresja solidna może mieć wpływ na możliwość szybkiego dostępu do poszczególnych plików, ponieważ całe archiwum do żądanego pliku może wymagać dekompresji.
PAX obejmuje również kontrole integralności w celu wykrycia uszkodzenia danych. Każdy wpis pliku w katalogu centralnym zawiera sumę kontrolną CRC32 nieskompresowanych danych pliku. Podczas wyodrębniania plików PAX oblicza sumę kontrolną zdekompresowanych danych i porównuje ją z przechowywaną sumą kontrolną w celu sprawdzenia integralności. Dodatkowo archiwa PAX mogą zawierać opcjonalny podpis cyfrowy w celu zapewnienia uwierzytelnienia i wykrywania manipulacji.
Aby poprawić wydajność, PAX obsługuje kompresję i dekompresję wielowątkową. Pliki można kompresować i zapisywać do archiwum równolegle, wykorzystując wiele rdzeni procesora. Podobnie podczas ekstrakcji wiele plików może być dekompresowanych jednocześnie. To przetwarzanie równoległe może znacznie przyspieszyć operacje archiwizacji i ekstrakcji w systemach wielordzeniowych.
Archiwa PAX mogą również przechowywać dodatkowe metadane poza standardowymi atrybutami plików. Niestandardowe metadane można przypisać do plików i katalogów za pomocą par klucz-wartość. Te metadane są przechowywane w katalogu centralnym obok wpisów plików. Przykłady niestandardowych metadanych mogą obejmować informacje o autorze, kategorie plików lub dane specyficzne dla aplikacji.
Obsługa strumieniowania to kolejna funkcja PAX. Archiwa można tworzyć i wyodrębniać w sposób strumieniowy, bez konieczności ładowania całego archiwum do pamięci. Jest to szczególnie przydatne w przypadku dużych archiwów lub pracy z ograniczonymi zasobami pamięci. Przesyłanie strumieniowe umożliwia tworzenie archiwów w locie lub przetwarzanie ich w miarę odbierania danych przez połączenie sieciowe.
W celu zapewnienia wstecznej kompatybilności i interoperacyjności archiwa PAX mogą zawierać zapasowe archiwum ZIP. Archiwum ZIP jest dołączane do końca archiwum PAX i zawiera te same pliki w tradycyjnym formacie ZIP. Pozwala to starszym narzędziom, które nie obsługują PAX, nadal wyodrębniać pliki z części ZIP archiwum.
PAX zyskał popularność dzięki swojej wydajności, elastyczności i implementacji open source. Jest obsługiwany przez różne narzędzia i biblioteki archiwizujące na różnych platformach. Implementacja referencyjna, zwana libpax, jest napisana w C i zapewnia niskopoziomowe API do tworzenia i wyodrębniania archiwów PAX.
Jednym z ograniczeń PAX jest to, że nie obsługuje on szyfrowania natywnie. Jednak szyfrowanie można osiągnąć, łącząc PAX z innymi technikami szyfrowania lub używając narzędzi innych firm, które opierają się na formacie PAX.
Podsumowując, PAX (Packed Archive Format) to wszechstronny i wydajny format archiwizacji plików, który oferuje takie funkcje, jak szybki losowy dostęp, kompresja solidna, przetwarzanie równoległe, niestandardowe metadane i obsługa strumieniowania. Jego połączenie algorytmów kompresji, podzielonego przechowywania i rozszerzalności sprawia, że jest to atrakcyjny wybór do archiwizowania i dystrybucji plików.
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.