Format archiwum .tar.gz, znany również jako tarball lub skompresowane archiwum tar, to powszechnie używany format pliku do pakowania i kompresowania plików i katalogów razem do jednego pliku w celu wygodnego przechowywania i przesyłania. Łączy format tar (Tape Archive) do pakowania plików i katalogów z kompresją gzip, aby zmniejszyć ogólny rozmiar pliku. Format .tar.gz jest szeroko stosowany w systemach operacyjnych typu Unix i jest obsługiwany przez różne narzędzia i programy do archiwizacji.
Sam format tar jest połączeniem rekordów plików i katalogów. Każdy rekord zawiera metadane dotyczące pliku lub katalogu, takie jak jego nazwa, rozmiar, uprawnienia, własność i znaczniki czasu modyfikacji. Rzeczywiste dane pliku są przechowywane po metadanych w archiwum. Archiwa tar mogą zachować strukturę katalogu, dowiązania symboliczne i inne specjalne typy plików.
Do tworzenia archiwum tar używane jest narzędzie tar. Rekursywnie przechodzi przez określony katalog lub listę plików i generuje pojedynczy plik tar zawierający wszystkie pliki i katalogi. Powstały plik tar ma rozszerzenie .tar. Polecenie tar obsługuje różne opcje kontrolujące proces tworzenia archiwum, takie jak określanie nazwy pliku wyjściowego, wykluczanie niektórych plików lub katalogów, zachowywanie uprawnień i własności oraz obsługa dowiązań symbolicznych.
Chociaż format tar jest przydatny do łączenia plików, sam w sobie nie zapewnia żadnej kompresji. Tutaj wkracza gzip. Gzip to popularny algorytm kompresji, który wykorzystuje kodowanie Lempel-Ziv (LZ77) do wydajnego kompresowania danych. Analizuje dane wejściowe i zastępuje powtarzające się sekwencje odwołaniami do wcześniejszych wystąpień, zmniejszając ogólny rozmiar danych.
Aby utworzyć archiwum .tar.gz, narzędzie tar jest używane w połączeniu z narzędziem gzip. Najpierw narzędzie tar tworzy archiwum tar, jak opisano wcześniej. Następnie wynikowy plik tar jest przekazywany przez narzędzie gzip, które kompresuje plik tar za pomocą algorytmu gzip. Skompresowany wynik zwykle otrzymuje rozszerzenie .gz, co daje plik .tar.gz.
Poziom kompresji gzip można dostosować za pomocą opcji wiersza polecenia. Domyślnie gzip używa poziomu kompresji 6, który zapewnia dobry balans między współczynnikiem kompresji a szybkością. Wyższe poziomy kompresji (do 9) mogą skutkować mniejszymi rozmiarami plików, ale ich kompresja może zająć więcej czasu. Niższe poziomy kompresji (do 1) priorytetyzują szybkość nad współczynnikiem kompresji.
Aby wyodrębnić pliki z archiwum .tar.gz, proces jest odwracany. Archiwum jest najpierw dekompresowane za pomocą narzędzia gzip, które przywraca oryginalny plik tar. Następnie narzędzie tar jest używane do wyodrębnienia plików i katalogów z archiwum tar. Polecenie tar obsługuje opcje określania lokalizacji wyodrębniania, zachowywania uprawnień i własności oraz obsługi dowiązań symbolicznych.
Jedną z zalet formatu .tar.gz jest jego kompatybilność na różnych platformach. Narzędzia tar i gzip są szeroko dostępne w systemach typu Unix, a wiele innych systemów operacyjnych zapewnia narzędzia do obsługi plików .tar.gz. Dzięki temu wygodnie jest tworzyć archiwa w jednym systemie i wyodrębniać je w innym, niezależnie od architektury lub systemu operacyjnego.
Oprócz narzędzi wiersza polecenia różne narzędzia graficzne i programy do kompresji plików obsługują format .tar.gz. Narzędzia te często zapewniają przyjazne dla użytkownika interfejsy do tworzenia, wyodrębniania i zarządzania archiwami .tar.gz, dzięki czemu są dostępne dla użytkowników preferujących interfejsy graficzne.
Format .tar.gz ma pewne ograniczenia i kwestie do rozważenia. Nie zapewnia wbudowanego szyfrowania ani ochrony hasłem dla zarchiwizowanych plików. Jeśli bezpieczeństwo jest problemem, należy używać dodatkowych technik szyfrowania lub narzędzi w połączeniu z .tar.gz. Ponadto współczynnik kompresji osiągnięty przez gzip może się różnić w zależności od typu kompresowanych danych. Pliki tekstowe i pliki z powtarzającymi się wzorami zwykle dobrze się kompresują, podczas gdy już skompresowane pliki (np. obrazy, filmy) mogą nie skorzystać znacząco z dalszej kompresji gzip.
Pomimo tych ograniczeń format .tar.gz jest nadal szeroko stosowany ze względu na swoją prostotę, kompatybilność i skuteczność w pakowaniu i kompresowaniu plików. Jest powszechnie używany do dystrybucji kodu źródłowego, pakietów oprogramowania, archiwów kopii zapasowych i przesyłania dużych kolekcji plików przez sieci lub nośniki pamięci.
Podsumowując, format archiwum .tar.gz łączy format tar do pakowania plików i katalogów z kompresją gzip, aby utworzyć skompresowany plik archiwum. Oferuje wygodny i wydajny sposób pakowania i kompresowania plików do przechowywania i przesyłania, jednocześnie zachowując kompatybilność w różnych systemach. Zrozumienie formatu .tar.gz i jego powiązanych narzędzi jest cenne do zarządzania i dystrybucji plików w różnych środowiskach komputerowych.
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.