O PAX (Packed Archive Format) é um formato de arquivo usado para arquivar e compactar arquivos e diretórios. Ele foi originalmente desenvolvido pelo Google e é baseado em uma combinação de técnicas dos formatos ZIP e tar. O PAX visa fornecer compactação eficiente, acesso aleatório rápido a arquivos e extensibilidade para metadados personalizados.
Em sua essência, um arquivo PAX consiste em um diretório central que contém metadados sobre os arquivos arquivados, seguido pelos próprios dados do arquivo compactado. O diretório central está sempre localizado no final do arquivo para acesso rápido, sem a necessidade de escanear o arquivo inteiro.
Cada entrada de arquivo no diretório central inclui informações como o caminho do arquivo, tamanho, registro de data e hora, soma de verificação CRC32 e método de compactação usado. O caminho do arquivo é armazenado como uma string Unicode, permitindo suporte a nomes de arquivos não ASCII. O PAX usa a codificação UTF-8 para os caminhos dos arquivos.
Para compactação, o PAX suporta vários algoritmos, incluindo DEFLATE, Brotli e Zstandard (zstd). DEFLATE é o método padrão, que é o mesmo algoritmo usado em ZIP e gzip. Ele fornece um bom equilíbrio entre taxa de compactação e velocidade. Brotli e Zstandard são algoritmos mais recentes que podem oferecer melhores taxas de compactação, especialmente para certos tipos de dados como arquivos de texto, ao custo de velocidades mais lentas de compactação e descompressão.
Os dados do arquivo compactado no PAX são armazenados em blocos, com cada bloco tendo um tamanho máximo descompactado de 1 MB. Esse armazenamento em blocos permite acesso aleatório eficiente a arquivos, pois apenas os blocos necessários precisam ser localizados e descompactados para extrair um arquivo específico, em vez de processar o arquivo inteiro.
Um dos principais recursos do PAX é seu suporte para compactação sólida. Com a compactação sólida, o arquivo é tratado como um único fluxo contínuo de dados, em vez de uma coleção de arquivos separados. Isso permite que o compressor encontre redundâncias e padrões entre os limites dos arquivos, resultando potencialmente em taxas de compactação mais altas. No entanto, a compactação sólida pode impactar a capacidade de acessar arquivos individuais rapidamente, pois todo o arquivo até o arquivo desejado pode precisar ser descompactado.
O PAX também inclui verificações de integridade para detectar corrupção de dados. Cada entrada de arquivo no diretório central inclui uma soma de verificação CRC32 dos dados do arquivo descompactado. Ao extrair arquivos, o PAX calcula a soma de verificação dos dados descompactados e a compara com a soma de verificação armazenada para verificar a integridade. Além disso, os arquivos PAX podem incluir uma assinatura digital opcional para fornecer autenticação e detecção de adulteração.
Para melhorar o desempenho, o PAX suporta compactação e descompressão multithread. Os arquivos podem ser compactados e gravados no arquivo em paralelo, utilizando vários núcleos de CPU. Da mesma forma, durante a extração, vários arquivos podem ser descompactados simultaneamente. Esse processamento paralelo pode acelerar significativamente as operações de arquivamento e extração em sistemas multicore.
Os arquivos PAX também podem armazenar metadados adicionais além dos atributos de arquivo padrão. Metadados personalizados podem ser atribuídos a arquivos e diretórios usando pares chave-valor. Esses metadados são armazenados no diretório central junto com as entradas do arquivo. Exemplos de metadados personalizados podem incluir informações do autor, categorias de arquivo ou dados específicos do aplicativo.
O suporte a streaming é outro recurso do PAX. Os arquivos podem ser criados e extraídos de forma contínua, sem a necessidade de carregar o arquivo inteiro na memória. Isso é particularmente útil ao lidar com arquivos grandes ou ao trabalhar com recursos de memória limitados. O streaming permite que os arquivos sejam criados em tempo real ou processados à medida que os dados são recebidos por uma conexão de rede.
Para compatibilidade com versões anteriores e interoperabilidade, os arquivos PAX podem incluir um arquivo ZIP de fallback. O arquivo ZIP é anexado ao final do arquivo PAX e contém os mesmos arquivos no formato ZIP tradicional. Isso permite que ferramentas mais antigas que não suportam PAX ainda extraiam os arquivos da parte ZIP do arquivo.
O PAX ganhou popularidade devido à sua eficiência, flexibilidade e implementação de código aberto. É suportado por várias ferramentas e bibliotecas de arquivamento em diferentes plataformas. A implementação de referência, chamada libpax, é escrita em C e fornece uma API de baixo nível para criar e extrair arquivos PAX.
Uma das limitações do PAX é que ele não suporta criptografia nativamente. No entanto, a criptografia pode ser obtida combinando PAX com outras técnicas de criptografia ou usando ferramentas de terceiros que se baseiam no formato PAX.
Em resumo, o PAX (Packed Archive Format) é um formato de arquivamento de arquivos versátil e eficiente que oferece recursos como acesso aleatório rápido, compactação sólida, processamento paralelo, metadados personalizados e suporte a streaming. Sua combinação de algoritmos de compactação, armazenamento em blocos e extensibilidade o tornam uma escolha atraente para arquivar e distribuir arquivos.
A compactação de arquivos reduz redundâncias para que as mesmas informações ocupem menos bits. O limite superior é definido pela teoria da informação: em compactação sem perdas, a fronteira é a entropia da fonte (veja o teorema de codificação de fonte de Shannon teorema de codificação de fonte e seu artigo original de 1948 “A Mathematical Theory of Communication”). Para compactação com perdas, o trade-off entre taxa e qualidade é capturado pela teoria taxa-distorção.
A maioria dos compressores tem duas etapas. Primeiro, um modelo prevê ou expõe estrutura nos dados. Depois, um codificador transforma essas previsões em padrões de bits quase ótimos. Uma família clássica é Lempel–Ziv LZ77 (1977) e LZ78 (1978) detectam substrings repetidas e emitem referências em vez de bytes brutos. Do lado da codificação Huffman (veja o artigo de 1952) dá códigos menores a símbolos mais prováveis. Codificação aritmética e codificação por intervalos chegam ainda mais perto do limite de entropia, enquanto Asymmetric Numeral Systems (ANS) modernos atingem taxas similares com implementações rápidas baseadas em tabelas.
DEFLATE (usado por gzip, zlib e ZIP) combina LZ77 com Huffman. As especificações são públicas: DEFLATE RFC 1951, wrapper zlib RFC 1950e formato gzip RFC 1952. O gzip é moldado para streaming e não tenta fornecer acesso aleatório. PNG padroniza DEFLATE como único método de compressão (janela máxima de 32 KiB) segundo “Compression method 0… deflate/inflate… at most 32768 bytes” e o W3C/ISO PNG 2nd Edition.
Zstandard (zstd): um compressor moderno de uso geral pensado para altas taxas e decompactação muito rápida. O formato está em RFC 8878 (e no espelho HTML) além da especificação de referência no GitHub. Assim como gzip, o frame básico não mira acesso aleatório. Um superpoder do zstd são dicionários: pequenas amostras do seu corpus que reduzem drasticamente muitos arquivos pequenos ou parecidos (consulte a documentação de dicionários do python-zstandard e o exemplo de Nigel Tao). Implementações aceitam dicionários “unstructured” e “structured” (discussão).
Brotli: otimizado para conteúdo web (ex.: fontes WOFF2, HTTP). Mistura um dicionário estático com um núcleo LZ+entropia parecido com DEFLATE. Sua especificação é RFC 7932, que também descreve uma janela 2WBITS−16 com WBITS em [10, 24] (1 KiB−16 B até 16 MiB−16 B) e diz que não fornece acesso aleatório. Brotli costuma superar gzip em texto web e ainda decodifica rápido.
Contêiner ZIP: ZIP é um arquivo que pode armazenar entradas com diversos métodos (deflate, store, zstd etc.). O padrão de fato é o APPNOTE da PKWARE (veja o portal APPNOTE, uma cópia hospedadae os resumos da LC ZIP File Format (PKWARE) / ZIP 6.3.3).
LZ4 mira velocidade bruta com razões modestas. Consulte a página do projeto (“extremely fast compression”) e o formato de frame. Ideal para caches em memória, telemetria ou pipelines quentes que exigem decompactação quase na velocidade da RAM.
XZ / LZMA busca densidade (ótimas taxas) com compressão relativamente lenta. XZ é um contêiner; quem faz o serviço pesado é normalmente LZMA/LZMA2 (modelagem tipo LZ77 + range coding). Veja o formato .xz, a especificação LZMA (Pavlov)e notas do kernel Linux sobre XZ Embedded. XZ costuma comprimir melhor que gzip e rivaliza com codecs modernos de alta taxa, porém com tempos de codificação mais longos.
bzip2 usa Transformada de Burrows–Wheeler (BWT), move-to-front, RLE e Huffman. Geralmente gera arquivos menores que gzip, porém mais devagar; veja o manual oficial e as páginas man (Linux).
O “tamanho da janela” importa. Referências DEFLATE olham no máximo 32 KiB para trás (RFC 1951) e o limite de 32 KiB do PNG documentado aqui. Brotli cobre janelas de ~1 KiB a 16 MiB (RFC 7932). Zstd ajusta janela e profundidade de busca pelos níveis (RFC 8878). Streams básicos de gzip/zstd/brotli foram feitos para decodificação sequencial; os formatos não prometem acesso aleatório, embora contêineres (tar com índice, framing em blocos ou índices específicos) possam adicioná-lo.
Os formatos acima são sem perdas: recuperam exatamente os mesmos bytes. Codecs de mídia costumam ser com perdas: descartam detalhes imperceptíveis para atingir taxas mais baixas. Em imagens, o JPEG clássico (DCT, quantização, codificação entropia) é padronizado em ITU-T T.81 / ISO/IEC 10918-1. Em áudio, MP3 (MPEG-1 Layer III) e AAC (MPEG-2/4) usam modelos perceptuais e transformadas MDCT (veja ISO/IEC 11172-3, ISO/IEC 13818-7e a visão geral de MDCT aqui). As abordagens com e sem perdas podem coexistir (ex.: PNG para ativos de UI; codecs web para imagem/vídeo/áudio).
Teoria Shannon 1948 · Rate–distortion · Codificação Huffman 1952 · Codificação aritmética · Range coding · ANS. Formatos DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4 frame · Formato XZ. Pilha BWT Burrows–Wheeler (1994) · manual do bzip2. Mídia JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
Em resumo: escolha um compressor que combine com seus dados e restrições, meça em entradas reais e não esqueça os ganhos de dicionários e framing inteligente. Com o par certo você obtém arquivos menores, transferências mais rápidas e apps mais responsivos sem sacrificar correção ou portabilidade.
A compressão de arquivos é um processo que reduz o tamanho de um arquivo ou arquivos, normalmente para economizar espaço de armazenamento ou acelerar a transmissão em uma rede.
A compressão de arquivos funciona identificando e removendo redundâncias nos dados. Ela usa algoritmos para codificar os dados originais em um espaço menor.
Os dois principais tipos de compressão de arquivos são a compressão sem perdas e a compressão com perdas. A compressão sem perdas permite que o arquivo original seja perfeitamente restaurado, enquanto a compressão com perdas permite uma redução de tamanho mais significativa com alguma perda de qualidade dos dados.
Um exemplo popular de uma ferramenta de compressão de arquivos é o WinZip, que suporta vários formatos de compressão, incluindo ZIP e RAR.
Com compressão sem perdas, a qualidade permanece inalterada. No entanto, com compressão com perdas, pode haver uma diminuição perceptível na qualidade, pois elimina dados menos importantes para reduzir significativamente o tamanho do arquivo.
Sim, a compressão de arquivos é segura em termos de integridade dos dados, especialmente com compressão sem perdas. No entanto, como qualquer arquivo, os arquivos comprimidos podem ser alvo de malware ou vírus, por isso, é sempre importante ter um software de segurança de boa reputação.
Quase todos os tipos de arquivos podem ser comprimidos, incluindo arquivos de texto, imagens, áudio, vídeo e arquivos de software. No entanto, o nível de compressão alcançável pode variar significativamente entre os tipos de arquivo.
Um arquivo ZIP é um tipo de formato de arquivo que usa compressão sem perdas para reduzir o tamanho de um ou mais arquivos. Vários arquivos em um arquivo ZIP são efetivamente agrupados em um único arquivo, o que também facilita o compartilhamento.
Tecnicamente, sim, embora a redução de tamanho adicional possa ser mínima ou até contraproducente. Comprimir um arquivo já comprimido pode às vezes aumentar seu tamanho devido aos metadados adicionados pelo algoritmo de compressão.
Para descomprimir um arquivo, geralmente você precisa de uma ferramenta de descompressão ou descompactação, como WinZip ou 7-Zip. Essas ferramentas podem extrair os arquivos originais do formato comprimido.