NEWC to format archiwizacji plików zaprojektowany do wydajnego przechowywania i kompresowania kolekcji plików i katalogów. Został opracowany przez Eugene'a Roshala w 1993 roku jako ulepszenie istniejących formatów archiwów, takich jak ZIP i ARJ. Format ma na celu zapewnienie lepszych współczynników kompresji, szybszych prędkości dekompresji i ulepszonych funkcji odzyskiwania danych i zarządzania archiwami.
W swojej istocie format NEWC składa się z nagłówka głównego, po którym następuje seria nagłówków plików i skompresowanych danych plików. Nagłówek główny zawiera metadane dotyczące archiwum, takie jak podpis NEWC, numer wersji, rozmiar całkowity i liczba plików. Każdy nagłówek pliku zawiera informacje takie jak nazwa pliku, atrybuty, znacznik czasu, suma kontrolna CRC32, rozmiary skompresowane i nieskompresowane.
NEWC wykorzystuje solidną strukturę archiwum, w której pliki są łączone ze sobą i kompresowane jako pojedynczy ciągły strumień danych. To podejście pozwala na lepsze współczynniki kompresji poprzez wykorzystanie redundancji w wielu plikach. Oznacza to jednak również, że wyodrębnienie pojedynczego pliku wymaga dekompresji całego archiwum do tego momentu, co może być wolniejsze niż wyodrębnianie z formatów niesolidnych, takich jak ZIP.
Algorytm kompresji używany w NEWC opiera się na własnej implementacji Eugene'a Roshala, która łączy kompresję Lempel-Ziv-Storer-Szymanski (LZSS) z modelowaniem statystycznym przy użyciu predykcji przez częściowe dopasowanie (PPM). LZSS to algorytm oparty na słowniku, który zastępuje powtarzające się sekwencje odniesieniami do wcześniejszych wystąpień. PPM buduje model danych wejściowych, aby dokonywać probabilistycznych przewidywań dotyczących nadchodzących symboli, co pozwala na bardziej wydajne kodowanie entropii.
Jedną z kluczowych cech NEWC jest obsługa rekordów odzyskiwania. Są to specjalne wpisy przeplatane ze skompresowanymi danymi, które przechowują informacje o strukturze archiwum i zawartości. W przypadku uszkodzenia pliku rekordy odzyskiwania mogą zostać użyte do odtworzenia uszkodzonych części archiwum i odzyskania nienaruszonych plików. Format obejmuje również redundancję dla nagłówka głównego i nagłówków plików w celu poprawy odporności na utratę danych.
NEWC zapewnia kilka metod dzielenia archiwów na wiele woluminów. Jest to przydatne do przechowywania dużych archiwów na wielu dyskach lub do przesyłania przez sieci z ograniczeniami rozmiaru. Format obsługuje tworzenie woluminów o określonym rozmiarze, a także używanie listy plików jako znaczników woluminów. Obejmuje również mechanizmy sprawdzania integralności i odzyskiwania archiwów wielotomowych.
Pod względem zarządzania archiwami NEWC oferuje szereg funkcji. Obsługuje dodawanie, usuwanie i aktualizowanie plików w istniejącym archiwum. Komentarze do plików mogą być kojarzone z poszczególnymi wpisami w celu przechowywania dodatkowych metadanych. Format umożliwia również szyfrowanie i ochronę hasłem archiwów przy użyciu algorytmu AES w trybie CBC.
NEWC zyskał popularność dzięki wysokim współczynnikom kompresji i szybkim prędkościom dekompresji. Jest szeroko stosowany do dystrybucji oprogramowania, aktualizacji oprogramowania układowego i kopii zapasowych danych. Format został przyjęty przez różne aplikacje i narzędzia, w tym WinRAR, 7-Zip i PowerArchiver.
Chociaż NEWC oferuje wiele korzyści, ma również pewne ograniczenia. Solidna struktura archiwum może spowolnić losowy dostęp i częściową ekstrakcję w porównaniu z formatami niesolidnymi. Poleganie na jednym algorytmie kompresji może nie zawsze zapewniać najlepszych rezultatów dla wszystkich typów danych. Ponadto złożoność formatu i jego zastrzeżony charakter utrudniały jego przyjęcie w niektórych kontekstach.
Pomimo tych wyzwań NEWC pozostaje ważnym i szeroko stosowanym formatem archiwów. Jego wydajność, niezawodność i zestaw funkcji sprawiają, że jest cennym narzędziem do kompresji danych i archiwizacji. W miarę wzrostu potrzeb związanych z przechowywaniem i przesyłaniem danych format NEWC jest dobrze przygotowany do odgrywania znaczącej roli w zarządzaniu i zachowywaniu informacji cyfrowych.
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.