Format pliku ZIP to szeroko stosowany format kompresji i archiwizacji, który umożliwia spakowanie wielu plików do jednego skompresowanego pliku. Został pierwotnie stworzony przez Phila Katza w 1989 roku i od tego czasu stał się wszechobecnym standardem kompresji i dystrybucji plików. Format ZIP wykorzystuje kombinację algorytmów kompresji bezstratnej, aby zmniejszyć rozmiar zawartych plików, jednocześnie umożliwiając ich indywidualne wyodrębnienie na żądanie.
Archiwum ZIP składa się z sekwencji rekordów plików, z których każdy reprezentuje skompresowany plik, a następnie katalogu centralnego na końcu archiwum. Każdy rekord pliku zawiera metadane dotyczące pliku, takie jak jego nazwa, rozmiar i znaczniki czasu, a także same skompresowane dane pliku. Katalog centralny zawiera listę wszystkich rekordów plików w archiwum wraz z dodatkowymi metadanymi.
Format ZIP obsługuje kilka metod kompresji, ale najczęściej używaną jest DEFLATE, która opiera się na algorytmie LZ77 i kodowaniu Huffmana. DEFLATE działa poprzez znajdowanie powtarzających się sekwencji danych i zastępowanie ich odniesieniami do wcześniejszych wystąpień, w połączeniu z kodowaniem Huffmana w celu wydajnego reprezentowania skompresowanych danych. Pozwala to na znaczną redukcję rozmiaru, szczególnie w przypadku plików tekstowych.
Aby utworzyć archiwum ZIP, pliki są najpierw kompresowane indywidualnie przy użyciu wybranej metody kompresji. Każdy skompresowany plik jest następnie dodawany do archiwum jako rekord pliku, który zawiera lokalny nagłówek pliku, a następnie skompresowane dane. Lokalny nagłówek pliku zawiera metadane, takie jak nazwa pliku, metoda kompresji, suma kontrolna CRC-32, rozmiary skompresowane i nieskompresowane oraz znaczniki czasu.
Po dodaniu wszystkich rekordów plików katalog centralny jest zapisywany na końcu archiwum. Katalog centralny zaczyna się od podpisu i zawiera nagłówek pliku dla każdego rekordu pliku, zawierający podobne metadane do lokalnych nagłówków plików. Dodatkowo katalog centralny zawiera informacje o całym archiwum, takie jak liczba plików i rozmiar katalogu centralnego.
Na koniec archiwum ZIP jest zamykane rekordem końca katalogu centralnego, który zawiera podpis, numer dysku, na którym rozpoczyna się katalog centralny, liczbę rekordów katalogu centralnego, rozmiar katalogu centralnego, przesunięcie początku katalogu centralnego względem początku archiwum i pole komentarza.
Jedną z kluczowych cech formatu ZIP jest jego zdolność do obsługi różnych metod kompresji. Oprócz DEFLATE obsługuje również metodę STORE (bez kompresji), BZIP2, LZMA, PPMd i inne. Ta elastyczność pozwala na zachowanie równowagi między współczynnikiem kompresji a czasem przetwarzania, w zależności od konkretnych wymagań przypadku użycia.
Innym ważnym aspektem formatu ZIP jest jego obsługa szyfrowania plików i katalogów. Tradycyjny schemat szyfrowania ZIP używał prostej metody szyfrowania opartej na haśle, ale została ona w dużej mierze zastąpiona bezpieczniejszym szyfrowaniem AES w nowoczesnych narzędziach ZIP. Gdy plik jest szyfrowany, jego skompresowane dane są szyfrowane przy użyciu wybranej metody szyfrowania, a dodatkowe metadane są dodawane do nagłówka pliku w celu wskazania stanu szyfrowania.
Format ZIP zawiera również funkcje sprawdzania integralności danych i wykrywania błędów. Każdy rekord pliku zawiera sumę kontrolną CRC-32 nieskompresowanych danych, co pozwala na sprawdzenie integralności pliku po wyodrębnieniu. Dodatkowo katalog centralny zawiera sumę kontrolną CRC-32 całej struktury katalogu centralnego, zapewniając dodatkową warstwę sprawdzania integralności całego archiwum.
Na przestrzeni lat wprowadzono kilka rozszerzeń i ulepszeń formatu ZIP, aby poprawić jego funkcjonalność i wydajność. Jednym z takich rozszerzeń jest format ZIP64, który umożliwia tworzenie archiwów i plików o rozmiarze większym niż 4 GB. Osiąga się to poprzez użycie pól 64-bitowych dla wartości rozmiaru i przesunięcia zamiast oryginalnych pól 32-bitowych. Innym rozszerzeniem jest użycie kodowania nazw plików i komentarzy, które umożliwia używanie znaków Unicode w nazwach plików i komentarzach.
Format ZIP został również dostosowany do użytku w różnych wyspecjalizowanych kontekstach, takich jak format OpenDocument używany przez pakiety biurowe, format JAR (Java Archive) używany do dystrybucji aplikacji Java oraz format EPUB używany do e-booków. W tych przypadkach format ZIP służy jako kontener dla określonych typów plików i metadanych wymaganych przez odpowiednie formaty.
Pomimo swojego wieku format ZIP jest nadal szeroko stosowany i obsługiwany na różnych platformach i urządzeniach. Jego prostota, wydajność i kompatybilność sprawiły, że stał się pierwszym wyborem do kompresji i dystrybucji plików. Jednak format ZIP ma również pewne ograniczenia, takie jak brak wbudowanej obsługi archiwów podzielonych, kompresji solidnej lub rekordów odzyskiwania.
Aby rozwiązać niektóre z tych ograniczeń, opracowano alternatywne formaty archiwizacji, takie jak RAR, 7z i TAR. Formaty te oferują dodatkowe funkcje i lepsze współczynniki kompresji w niektórych przypadkach, ale mogą nie mieć takiego samego poziomu uniwersalnego wsparcia jak ZIP.
Podsumowując, format pliku ZIP jest wszechstronnym i wydajnym formatem kompresji i archiwizacji, który przetrwał próbę czasu. Jego zdolność do pakowania wielu plików razem, kompresowania ich wydajnie i zapewniania sprawdzania integralności danych uczyniła go niezbędnym narzędziem do przechowywania i dystrybucji plików. Pomimo pewnych ograniczeń format ZIP jest nadal szeroko stosowany i obsługiwany dzięki swojej prostocie i kompatybilności.
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.