Format archiwum PKZ to zastrzeżony skompresowany format archiwum opracowany przez PKWARE, Inc. do pakowania i kompresowania plików i katalogów. Jest powszechnie używany w systemach Microsoft Windows, ale może być również używany na innych platformach. Format wykorzystuje kombinację kompresji DEFLATE i różnych filtrów wstępnego przetwarzania, aby osiągnąć wysoki współczynnik kompresji przy jednoczesnym zrównoważeniu szybkości i zużycia pamięci.
Archiwum PKZ składa się z serii „nagłówków plików lokalnych” dla każdego pliku, opcjonalnych nagłówków odszyfrowania/szyfrowania archiwum, skompresowanych bloków danych pliku, struktury katalogu centralnego i rekordu końca katalogu centralnego. Umożliwia to szybki dostęp do poszczególnych skompresowanych plików, opcjonalne szyfrowanie, sprawdzanie integralności danych i możliwość przechowywania metadanych dotyczących zarchiwizowanych plików.
Każdy nagłówek pliku lokalnego zawiera informacje o pliku, takie jak jego nazwa, rozmiar, znacznik czasu, suma kontrolna CRC-32 i użyta metoda kompresji. Nagłówek określa również wszelkie opcjonalne funkcje zastosowane do pliku, takie jak szyfrowanie, filtry wstępnego przetwarzania, poprawki lub rozciągnięcie danych na wiele archiwów. Po nagłówku lokalnym następują skompresowane lub przechowywane dane pliku.
PKZ obsługuje kilka metod kompresji, przy czym DEFLATE jest najczęstszą. DEFLATE to bezstratny algorytm kompresji danych, który łączy kompresję LZ77 i kodowanie Huffmana. PKZIP może również przechowywać pliki bez kompresji, jeśli jest to pożądane. Rzadko mogą być używane inne starsze metody kompresji, takie jak LZMA lub Bzip2.
Przed skompresowaniem pliku za pomocą DEFLATE można zastosować różne filtry wstępnego przetwarzania w celu poprawy kompresji. Obejmują one metody takie jak zmniejszanie rozmiaru symboli, zamiana bajtów w celu zwiększenia redundancji, filtry BCJ dla plików wykonywalnych i filtry delta dla przyrostowych aktualizacji lub poprawek. Filtry są stosowane jako część procesu kompresji przed przekazaniem danych do kompresora DEFLATE.
W celu walidacji integralności danych każdy plik rejestruje sumę kontrolną CRC-32 nieskompresowanych danych w swoim nagłówku lokalnym. Ta sama suma kontrolna jest rejestrowana w centralnym wpisie katalogu dla pliku. Pozwala to na sprawdzenie, czy plik został prawidłowo skompresowany i zdekompresowany bez uszkodzenia danych.
Archiwa PKZ mogą opcjonalnie szyfrować dane pliku i nagłówki za pomocą szyfrowania symetrycznego. Starsze wersje używały ZipCrypto, podczas gdy nowsze wersje używają szyfrowania AES. Podczas szyfrowania wybrana metoda szyfrowania jest rejestrowana w archiwum, a każdy plik może określić własne hasło. Uwierzytelnione szyfrowanie jest używane do wykrywania wszelkich manipulacji lub uszkodzenia zaszyfrowanych danych.
Katalog centralny podąża za skompresowanymi danymi pliku i działa jako spis treści archiwum. Zawiera wpis nagłówka pliku dla każdego pliku z jego metadanymi, przesunięciami do nagłówków lokalnych i innymi informacjami potrzebnymi do dekompresji plików. Wpisy są sortowane według nazwy pliku. Do katalogu centralnego można zastosować opcjonalny podpis cyfrowy, aby dodatkowo chronić przed manipulacją.
Na koniec rekord końca katalogu centralnego oznacza koniec pliku archiwum. Przechowuje liczbę wpisów w katalogu centralnym, jego rozmiar i przesunięcie oraz pole komentarza. W przypadku archiwów podzielonych na wiele plików zawiera również informacje o tym, jak zlokalizować inne pliki archiwum.
Format PKZ umożliwia wydajny losowy dostęp do poszczególnych plików w archiwum bez konieczności dekompresji całego archiwum. Odbywa się to poprzez odczytanie katalogu centralnego, zlokalizowanie żądanego wpisu pliku, a następnie odczytanie i dekompresję określonego bloku pliku lokalnego z jego przesunięcia. Kilka plików może być również otwartych i zdekompresowanych jednocześnie.
Aby utworzyć archiwum PKZ, pliki są najpierw filtrowane i kompresowane indywidualnie do lokalnych bloków plików. Wpisy katalogu centralnego są generowane z nagłówków lokalnych i metadanych pliku. Następnie katalog centralny jest podpisywany cyfrowo, jeśli jest to konieczne. Na koniec zapisywany jest rekord końca katalogu centralnego wskazujący na katalog centralny.
Wyodrębnianie archiwum PKZ rozpoczyna się od odczytania końca katalogu centralnego w celu zlokalizowania wpisów katalogu centralnego. Znajdowane są wpisy żądanych plików, a każdy z nich jest dekompresowany poprzez odczytanie jego nagłówka lokalnego i skompresowanych danych z określonych przesunięć. Wszelkie szyfrowanie jest usuwane, a filtry wstępnego przetwarzania są odwracane w celu uzyskania oryginalnej zawartości pliku.
Niektóre inne funkcje formatu PKZ obejmują: dzielenie archiwów na wiele plików, woluminów lub segmentów; obsługa nazw plików Unicode; uprawnienia i atrybuty systemu plików NTFS; zintegrowana funkcjonalność aktualizacji/poprawek; oraz rozszerzalne metadane, takie jak podpisy cyfrowe, skróty haszujące i dane specyficzne dla aplikacji.
Ogólnie rzecz biorąc, format PKZ jest wydajnym i elastycznym formatem archiwum do kompresji i pakowania plików. Jego zdolność do kompresji plików indywidualnie, stosowania filtrów wstępnego przetwarzania i szybkiego wyodrębniania określonych plików bez przetwarzania całego archiwum sprawia, że jest on dobrze przystosowany do pakowania instalatorów oprogramowania, aktualizacji oprogramowania układowego, dokumentów i innych. Obsługa szyfrowania, sprawdzania integralności danych i podpisów cyfrowych pozwala również na zapewnienie wysokiego poziomu bezpieczeństwa w razie potrzeby.
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.