USTAR (Unix Standard Tape Archive) to format pliku używany do archiwizacji i dystrybucji plików w systemach operacyjnych Unix i podobnych do Unix. Został wprowadzony w latach 80. jako standardowa metoda tworzenia archiwów taśmowych, które można było łatwo wymieniać między różnymi systemami Unix. Format USTAR stał się od tego czasu szeroko stosowanym standardem pakowania i dystrybucji oprogramowania, danych i innych plików na różnych platformach.
Format USTAR jest rozszerzeniem wcześniejszego formatu TAR (Tape Archive), który był używany do tworzenia plików archiwum na taśmach magnetycznych. Format TAR umożliwiał łączenie wielu plików w jeden plik archiwum, co ułatwiało przechowywanie i przesyłanie dużych kolekcji plików. Jednak oryginalny format TAR miał ograniczenia, takie jak maksymalna długość nazwy pliku wynosząca 99 znaków i maksymalny rozmiar pliku wynoszący 8 GB.
Aby rozwiązać te ograniczenia, format USTAR został opracowany jako ulepszenie oryginalnego formatu TAR. Format USTAR wprowadził kilka ulepszeń, w tym obsługę dłuższych nazw plików (do 255 znaków), większych rozmiarów plików (do 8 EB lub 8 eksabajtów) oraz dodatkowych pól metadanych do przechowywania atrybutów i uprawnień plików.
Plik archiwum USTAR składa się z serii rekordów plików, z których każdy reprezentuje plik lub katalog przechowywany w archiwum. Każdy rekord pliku składa się z nagłówka i rzeczywistych danych pliku. Nagłówek zawiera metadane dotyczące pliku, takie jak jego nazwa, rozmiar, własność, uprawnienia i czas modyfikacji. Dane pliku następują po nagłówku i są przechowywane jako ciągły blok bajtów.
Nagłówek USTAR ma stały rozmiar 512 bajtów i jest podzielony na kilka pól. Niektóre z ważnych pól w nagłówku obejmują:
1. Nazwa pliku: ciąg zakończony znakiem zerowym zawierający nazwę pliku lub katalogu, o długości do 255 znaków.
2. Tryb pliku: 12-znakowa liczba ósemkowa reprezentująca uprawnienia pliku i bity trybu.
3. Identyfikatory właściciela i grupy: numeryczne identyfikatory użytkownika i grupy skojarzone z plikiem.
4. Rozmiar pliku: 12-znakowa liczba ósemkowa reprezentująca rozmiar pliku w bajtach.
5. Czas modyfikacji: 12-znakowa liczba ósemkowa reprezentująca ostatni czas modyfikacji pliku jako liczbę sekund od 1 stycznia 1970 r.
6. Suma kontrolna nagłówka: 8-znakowa liczba ósemkowa używana do wykrywania błędów.
Format USTAR obejmuje również obsługę specjalnych typów plików, takich jak dowiązania symboliczne, dowiązania twarde i pliki urządzeń. Te specjalne pliki są reprezentowane za pomocą określonych pól nagłówka i są obsługiwane inaczej podczas ekstrakcji.
Podczas tworzenia archiwum USTAR narzędzie do archiwizacji (takie jak polecenie `tar`) odczytuje określone pliki i katalogi, generuje odpowiednie nagłówki dla każdego pliku i łączy nagłówki i dane pliku w jeden plik archiwum. Powstały plik archiwum można skompresować za pomocą różnych algorytmów kompresji, takich jak gzip lub bzip2, aby zmniejszyć jego rozmiar.
Aby wyodrębnić pliki z archiwum USTAR, narzędzie do ekstrakcji odczytuje plik archiwum sekwencyjnie, analizując nagłówki w celu uzyskania informacji o każdym pliku. Następnie tworzy niezbędne pliki i katalogi na podstawie metadanych przechowywanych w nagłówkach i zapisuje dane pliku w odpowiednich lokalizacjach.
Format USTAR został szeroko przyjęty i jest obsługiwany przez różne narzędzia do archiwizacji i kompresji w różnych systemach operacyjnych. Zapewnia standaryzowany i przenośny sposób pakowania i dystrybucji plików, zapewniając kompatybilność i łatwość użytkowania.
Warto jednak zauważyć, że format USTAR ma pewne ograniczenia. Na przykład nie obsługuje nazw plików dłuższych niż 255 znaków ani rozmiarów plików większych niż 8 EB. Ponadto brakuje w nim wbudowanych funkcji szyfrowania lub weryfikacji integralności, które mogą być konieczne do bezpiecznego przesyłania i przechowywania plików.
Pomimo tych ograniczeń format USTAR pozostaje popularnym wyborem do archiwizacji i dystrybucji plików ze względu na swoją prostotę, szerokie wsparcie i kompatybilność z szeroką gamą systemów operacyjnych Unix i podobnych do Unix.
Podsumowując, format archiwum USTAR jest rozszerzeniem formatu TAR, który zapewnia standaryzowany sposób pakowania i dystrybucji plików w systemach Unix i podobnych do Unix. Obsługuje dłuższe nazwy plików, większe rozmiary plików i dodatkowe metadane w porównaniu z oryginalnym formatem TAR. Archiwa USTAR składają się z serii rekordów plików, z których każdy zawiera nagłówek z metadanymi pliku i rzeczywistymi danymi pliku. Format jest szeroko obsługiwany przez narzędzia do archiwizacji i kompresji i jest powszechnie używany do dystrybucji oprogramowania i wymiany danych.
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.