Формат GNU TAR (Tape Archive) — это широко используемый формат архива и сжатия файлов в Unix-подобных операционных системах. Изначально он был разработан для резервного копирования файлов на магнитную ленту, но теперь обычно используется для сбора множества файлов в один сжатый архивный файл для эффективного хранения и передачи. Формат TAR позволяет сохранять атрибуты файлов, структуры каталогов и поддерживает различные алгоритмы сжатия.
Архивный файл TAR состоит из серии записей заголовков файлов и блоков данных файлов. Каждый файл в архиве представлен записью заголовка, которая содержит метаданные о файле, за которой следуют сами данные файла. Запись заголовка имеет размер 512 байт и содержит такие поля, как имя файла, режим файла (разрешения), идентификаторы владельца и группы, размер файла, время модификации и контрольная сумма.
Поле имени файла в записи заголовка может содержать до 100 символов. Если имя файла превышает 100 символов, оно хранится с использованием поля «префикс», которое представляет собой дополнительные 155 байт. Префикс объединяется с именем файла для создания полного пути. Поле режима файла содержит разрешения файла Unix и тип файла (обычный файл, каталог, символическая ссылка и т. д.).
За записью заголовка следуют данные файла, которые хранятся в смежных блоках по 512 байт. Если размер файла не является кратным 512 байтам, последний блок заполняется нулевыми байтами. Блоки данных каждого файла записываются последовательно в архиве без разделителей или разграничителей между файлами.
Архивы TAR поддерживают несколько типов записей заголовков в дополнение к обычным файлам и каталогам. Символические ссылки и жесткие ссылки представлены с использованием специальных записей заголовков, которые ссылаются на целевой файл. Также поддерживаются файлы устройств, именованные каналы и другие специальные типы файлов. Расширенные атрибуты и ACL могут храниться с использованием заголовков формата обмена pax.
Одной из ключевых особенностей формата TAR является его поддержка длинных имен файлов и путей. Ранние версии TAR были ограничены именами файлов длиной 100 символов, но более поздние версии, такие как широко используемый формат USTAR (Unix Standard TAR), расширили это для поддержки более длинных имен. Стандарт POSIX.1-2001 ввел новый расширяемый формат, который допускает еще более длинные имена файлов и пути, а также дополнительные поля метаданных.
Сжатие обычно используется вместе с архивами TAR для уменьшения размера файла. Наиболее популярными методами сжатия являются gzip (.tar.gz или .tgz), bzip2 (.tar.bz2) и xz (.tar.xz). Эти сжатые архивы TAR создаются путем первоначального создания обычного архива TAR, а затем сжатия его с помощью выбранного алгоритма сжатия. При извлечении сжатого архива TAR сначала удаляется сжатие, а затем применяется обычный процесс извлечения TAR.
Формат TAR также включает встроенные механизмы обнаружения и устранения ошибок. Каждая запись заголовка содержит поле контрольной суммы, которое вычисляется при создании архива. При извлечении файлов из архива TAR контрольная сумма проверяется для обеспечения целостности данных. Если обнаруживается несоответствие контрольной суммы, сообщается об ошибке, и извлечение может либо пропустить поврежденный файл, либо попытаться восстановить как можно больше данных.
В дополнение к базовому формату TAR существует несколько вариантов и расширений. Версия GNU TAR, которая широко используется в дистрибутивах Linux, включает дополнительные функции, такие как многотомные архивы, поддержка разреженных файлов и инкрементное резервное копирование. Другие расширения, такие как star и pax, обеспечивают улучшенную производительность, совместимость с не-Unix-системами и поддержку расширенных метаданных.
Несмотря на свой возраст и ограничения, формат TAR остается широко используемым благодаря своей простоте, переносимости и широкой поддержке на разных платформах и инструментах. Он служит основой для многих решений резервного копирования и архивирования более высокого уровня и часто используется в качестве формата контейнера для распространения пакетов программного обеспечения и исходного кода. По мере появления новых технологий и носителей информации формат TAR адаптировался и развивался, чтобы соответствовать меняющимся потребностям, обеспечивая его постоянную актуальность в современных вычислительных средах.
Сжатие файлов уменьшает избыточность, чтобы те же данные занимали меньше бит. Верхняя граница задаётся теорией информации: для без потерь пределом является энтропия источника (см. теорему кодирования источника Шеннона source coding theorem и его оригинальную статью 1948 года «A Mathematical Theory of Communication»). Для сжатия с потерями компромисс между битрейтом и качеством описывает теория rate–distortion.
Большинство компрессоров работают в два этапа. Сначала модель предсказывает или выявляет структуру данных. Затем кодер превращает эти предсказания в почти оптимальные шаблоны битов. Классическая семья моделей — Lempel–Ziv LZ77 (1977) и LZ78 (1978) находят повторяющиеся подстроки и излучают ссылки вместо сырых байтов. На стороне кодирования кодирование Хаффмана (см. статью 1952 года) назначает более короткие коды вероятным символам. Арифметическое кодирование и range coding ещё точнее приближаются к пределу энтропии, а современные Asymmetric Numeral Systems (ANS) дают схожие коэффициенты при табличных реали зациях.
DEFLATE (используют gzip, zlib, ZIP) сочетает LZ77 и Хаффмана. Спецификации открыты: DEFLATE RFC 1951, оболочка zlib RFC 1950и формат gzip RFC 1952. Gzip ориентирован на потоковую передачу и явно не обеспечивает произвольный доступ. PNG закрепляет DEFLATE как единственный метод (окно до 32 КиБ) согласно спецификации «Compression method 0…» и W3C/ISO PNG 2nd Edition.
Zstandard (zstd): современный универсальный компрессор с высокими коэффициентами и очень быстрой декомпрессией. Формат описан в RFC 8878 (и HTML-зеркале) и в референс-спеке на GitHub. Как и gzip, базовый фрейм не предполагает произвольного доступа. Главное преимущество zstd — словари: маленькие образцы корпуса, резко улучшающие сжатие множества крошечных или похожих файлов (см.документацию словарей python-zstandard и пример Nigela Tao). Реализации принимают «unstructured» и «structured» словари (обсуждение).
Brotli: оптимизирован для веб-контента (WOFF2, HTTP). Совмещает статический словарь и DEFLATE-подобное ядро LZ+энтропия. Спецификация — RFC 7932, где указано окно 2WBITS−16 с WBITS в [10, 24] и то, что формат не предоставляет произвольный доступ. Brotli часто превосходит gzip на веб-тексте и быстро декодируется.
Контейнер ZIP: ZIP — файловый архив, поддерживающий разные методы (deflate, store, zstd и др.). Де-факто ста ндарт — APPNOTE PKWARE (см.портал APPNOTE, размещённую копиюи обзоры LC ZIP File Format (PKWARE) / ZIP 6.3.3).
LZ4 ориентирован на максимальную скорость при умеренных коэффициентах. См. страницу проекта и формат фреймов. Подходит для кэшей в памяти, телеметрии и горячих путей, где декомпрессия должна быть почти со скоростью RAM.
XZ / LZMA гнётся за плотностью (высоким коэффициентом), но компрессует медленнее. XZ — контейнер; основную работу делают LZMA/LZMA2 (моделирование наподобие LZ77 + range coding). См.формат .xz, спецификацию LZMA (Павлов)и заметки ядра Linux про XZ Embedded. XZ обычно сжимает лучше gzip и соперничает с современными кодеками высокой плотности, но кодирует дольше.
bzip2 использует преобразование Бэрроуза–Уилера (BWT), move-to-front, RLE и Хаффмана. Обычно даёт файлы меньше, чем gzip, но медленнее; см.официальный мануал и man-страницу (Linux).
Важен размер окна. Ссылки DEFLATE смотрят максимум на 32 КиБ назад (RFC 1951) и ограничение PNG 32 КиБ здесь. Brotli поддерживает окна от ~1 КиБ до 16 МиБ (RFC 7932). Zstd настраивает окно и глубину поиска уровнями (RFC 8878). Базовые потоки gzip/zstd/brotli спроектированы для последовательного чтения; сами форматы не гарантируют произвольный доступ, хотя контейнеры (индексы tar, блочное фреймирование, форматные индексы) могут его добавить.
Форматы выше — lossless: можно восстановить те же байты. Медиа-кодеки часто lossy: они отбрасывают незаметные детали ради меньших битрейтов. Для изображений классический JPEG (DCT, квантование, энтропийное кодирование) стандартизован в ITU-T T.81 / ISO/IEC 10918-1. В аудио MP3 (MPEG-1 Layer III) и AAC (MPEG-2/4) используют перцепционные модели и MDCT (см.ISO/IEC 11172-3, ISO/IEC 13818-7и обзор MDCT здесь). Lossy и lossless могут сосуществовать (PNG для UI, веб-кодеки для изображений/видео/аудио).
Теория Shannon 1948 · Rate–distortion · Кодирование Huffman 1952 · Арифметическое кодирование · Range coding · ANS. Форматы DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4 frame · XZ format. Стек BWT Burrows–Wheeler (1994) · руководство bzip2. Медиа JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
Итог: подбирайте компрессор под свои данные и ограничения, измеряйте на реальных входах и не забывайте о выгоде словарей и умного фрейминга. С удачной парой получите меньшие файлы, быстрые передачи и отзывчивые приложения без ущерба корректности и переносимости.
Сжатие файлов - это процесс, который уменьшает размер файла или файлов, обычно для экономии места на диске или ускорения передачи по сети.
Сжатие файлов работает путем идентификации и удаления избыточности в данных. Оно использует алгоритмы для кодирования исходных данных в более маленьком пространстве.
Два основных типа сжатия файлов: без потерь и с потерями. Сжатие без потерь позволяет восстановить исходный файл целиком, в то время как сжатие с потерями обеспечивает более значительное уменьшение размера за счет небольшой потери в качестве данных.
Популярным примером инструмента для сжатия файлов является WinZip, который поддерживает несколько форматов сжатия, включая ZIP и RAR.
При сжатии без потерь качество остается неизменным. Однако при сжатии с потерями может быть заметное снижение качества, поскольку оно удаляет менее важные данные для более значительного уменьшения размера файла.
Да, сжатие файлов безопасно с точки зрения целостности данных, особенно при сжатии без потерь. Однако, как и любые файлы, сжатые файлы могут стать целью для вредоносного ПО или вирусов, поэтому всегда важно иметь надежное программное обеспечение безопасности.
Почти все типы файлов можно сжимать, включая текстовые файлы, изображения, аудио, видео и программные файлы. Однако уровень достижимого сжатия может значительно варьироваться в зависимости от типа файла.
ZIP-файл - это тип формата файла, который использует сжатие без потерь для уменьшения размера одного или нескольких файлов. Несколько файлов в ZIP-файле фактически объединяются в один файл, что также упрощает обмен данными.
Технически, да, хотя дополнительное уменьшение размера может быть минимальным или даже противопродуктивным. Сжатие уже сжатого файла иногда может увеличить его размер из-за метаданных, добавленных алгоритмом сжатия.
Чтобы распаковать файл, обычно вам нужен инструмент для распаковки или разархивации, такой как WinZip или 7-Zip. Эти инструменты могут извлечь исходные файлы из сжатого формата.