O formato GNU TAR (Tape Archive) é um formato de arquivo e compactação amplamente utilizado em sistemas operacionais do tipo Unix. Ele foi originalmente projetado para fazer backup de arquivos em fita magnética, mas agora é comumente usado para coletar vários arquivos em um único arquivo compactado para armazenamento e transmissão eficientes. O formato TAR permite preservar atributos de arquivo, estruturas de diretório e suporta vários algoritmos de compactação.
Um arquivo TAR consiste em uma série de registros de cabeçalho de arquivo e blocos de dados de arquivo. Cada arquivo no arquivo é representado por um registro de cabeçalho que contém metadados sobre o arquivo, seguido pelos dados do arquivo em si. O registro de cabeçalho tem 512 bytes de tamanho e contém campos como o nome do arquivo, modo de arquivo (permissões), IDs de proprietário e grupo, tamanho do arquivo, hora da modificação e soma de verificação.
O campo de nome de arquivo no registro de cabeçalho pode ter até 100 caracteres. Se um nome de arquivo exceder 100 caracteres, ele será armazenado usando o campo 'prefixo', que é um adicional de 155 bytes. O prefixo é concatenado com o nome do arquivo para criar o caminho completo. O campo de modo de arquivo contém as permissões de arquivo Unix e o tipo de arquivo (arquivo regular, diretório, link simbólico, etc.).
Seguindo o registro de cabeçalho estão os dados do arquivo, que são armazenados em blocos contíguos de 512 bytes. Se o tamanho do arquivo não for um múltiplo de 512 bytes, o último bloco será preenchido com bytes nulos. Os blocos de dados de cada arquivo são gravados sequencialmente no arquivo, sem separadores ou delimitadores entre os arquivos.
Os arquivos TAR suportam vários tipos de registros de cabeçalho além de arquivos e diretórios regulares. Links simbólicos e links físicos são representados usando registros de cabeçalho especiais que fazem referência ao arquivo de destino. Arquivos de dispositivo, pipes nomeados e outros tipos de arquivos especiais também são suportados. Atributos estendidos e ACLs podem ser armazenados usando cabeçalhos de formato de intercâmbio pax.
Um recurso-chave do formato TAR é seu suporte para nomes e caminhos de arquivos longos. As primeiras versões do TAR eram limitadas a nomes de arquivos de 100 caracteres, mas versões posteriores, como o formato USTAR (Unix Standard TAR) amplamente usado, estenderam isso para suportar nomes mais longos. O padrão POSIX.1-2001 introduziu um novo formato extensível que permite nomes e caminhos de arquivos ainda mais longos, bem como campos de metadados adicionais.
A compactação é comumente usada em conjunto com arquivos TAR para reduzir o tamanho do arquivo. Os métodos de compactação mais populares são gzip (.tar.gz ou .tgz), bzip2 (.tar.bz2) e xz (.tar.xz). Esses arquivos TAR compactados são criados primeiro criando um arquivo TAR regular e depois compactando-o com o algoritmo de compactação escolhido. Ao extrair um arquivo TAR compactado, a compactação é primeiro removida e, em seguida, o processo de extração TAR regular é aplicado.
O formato TAR também inclui mecanismos integrados de detecção e recuperação de erros. Cada registro de cabeçalho contém um campo de soma de verificação que é calculado quando o arquivo é criado. Ao extrair arquivos de um arquivo TAR, a soma de verificação é verificada para garantir a integridade dos dados. Se uma incompatibilidade de soma de verificação for detectada, um erro será relatado e a extração poderá pular o arquivo afetado ou tentar recuperar o máximo de dados possível.
Além do formato TAR básico, existem várias variações e extensões em uso. A versão GNU do TAR, que é amplamente usada em distribuições Linux, inclui recursos adicionais como arquivos multivolume, suporte a arquivos esparsos e backups incrementais. Outras extensões, como star e pax, oferecem melhor desempenho, compatibilidade com sistemas não Unix e suporte para metadados estendidos.
Apesar de sua idade e limitações, o formato TAR continua amplamente utilizado devido à sua simplicidade, portabilidade e amplo suporte em diferentes plataformas e ferramentas. Ele serve como base para muitas soluções de backup e arquivamento de nível superior e é frequentemente usado como um formato de contêiner para distribuir pacotes de software e código-fonte. À medida que novas tecnologias e mídias de armazenamento surgiram, o formato TAR se adaptou e evoluiu para atender às necessidades em constante mudança, garantindo sua relevância contínua em ambientes de computação modernos.
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.