O NEWC é um formato de arquivo projetado para armazenar e compactar com eficiência coleções de arquivos e diretórios. Ele foi desenvolvido por Eugene Roshal em 1993 como uma melhoria em relação aos formatos de arquivo existentes, como ZIP e ARJ. O formato visa fornecer melhores taxas de compactação, velocidades de descompactação mais rápidas e recursos aprimorados para recuperação de dados e gerenciamento de arquivos.
Em sua essência, o formato NEWC consiste em um cabeçalho principal seguido por uma série de cabeçalhos de arquivo e dados de arquivo compactados. O cabeçalho principal contém metadados sobre o arquivo, como a assinatura NEWC, número da versão, tamanho total e número de arquivos. Cada cabeçalho de arquivo inclui informações como nome do arquivo, atributos, carimbo de data/hora, soma de verificação CRC32, tamanhos compactados e descompactados.
O NEWC emprega uma estrutura de arquivo sólida, onde os arquivos são concatenados e compactados como um único fluxo de dados contínuo. Essa abordagem permite melhores taxas de compactação, aproveitando redundâncias em vários arquivos. No entanto, isso também significa que extrair um único arquivo requer descompactar todo o arquivo até aquele ponto, o que pode ser mais lento do que extrair de formatos não sólidos como ZIP.
O algoritmo de compactação usado no NEWC é baseado na própria implementação de Eugene Roshal, que combina compactação Lempel-Ziv-Storer-Szymanski (LZSS) com modelagem estatística usando Prediction by Partial Matching (PPM). LZSS é um algoritmo baseado em dicionário que substitui sequências repetidas por referências a ocorrências anteriores. O PPM constrói um modelo dos dados de entrada para fazer previsões probabilísticas sobre os próximos símbolos, permitindo uma codificação de entropia mais eficiente.
Um dos principais recursos do NEWC é seu suporte a registros de recuperação. Essas são entradas especiais intercaladas com os dados compactados que armazenam informações sobre a estrutura e o conteúdo do arquivo. No caso de corrupção do arquivo, os registros de recuperação podem ser usados para reconstruir partes danificadas do arquivo e recuperar arquivos intactos. O formato também inclui redundância para o cabeçalho principal e cabeçalhos de arquivo para melhorar a resiliência contra perda de dados.
O NEWC fornece vários métodos para dividir arquivos em vários volumes. Isso é útil para armazenar arquivos grandes em vários discos ou para transmissão em redes com limitações de tamanho. O formato suporta a criação de volumes de um tamanho especificado, bem como o uso de uma lista de arquivos como marcadores de volume. Ele também inclui mecanismos para verificação de integridade e recuperação de arquivos com vários volumes.
Em termos de gerenciamento de arquivos, o NEWC oferece uma gama de recursos. Ele suporta adicionar, excluir e atualizar arquivos dentro de um arquivo existente. Comentários de arquivo podem ser associados a entradas individuais para armazenar metadados adicionais. O formato também permite criptografia e proteção por senha de arquivos usando o algoritmo AES no modo CBC.
O NEWC ganhou popularidade devido às suas altas taxas de compactação e rápidas velocidades de descompactação. É amplamente utilizado para distribuir software, atualizações de firmware e backups de dados. O formato foi adotado por vários aplicativos e utilitários, incluindo WinRAR, 7-Zip e PowerArchiver.
Embora o NEWC ofereça muitos benefícios, ele também tem algumas limitações. A estrutura de arquivo sólida pode tornar o acesso aleatório e a extração parcial mais lentos em comparação com formatos não sólidos. A dependência de um único algoritmo de compactação pode nem sempre fornecer os melhores resultados para todos os tipos de dados. Além disso, a complexidade do formato e sua natureza proprietária dificultaram sua adoção em alguns contextos.
Apesar desses desafios, o NEWC continua sendo um formato de arquivo importante e amplamente utilizado. Sua eficiência, robustez e conjunto de recursos o tornam uma ferramenta valiosa para compactação e arquivamento de dados. À medida que as necessidades de armazenamento e transmissão de dados continuam a crescer, o formato NEWC está bem posicionado para desempenhar um papel significativo no gerenciamento e preservação de informações digitais.
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.