- `warcinfo`: Chứa siêu dữ liệu về tệp WARC, chẳng hạn như phần mềm được sử dụng để tạo tệp, ngày tạo và bất kỳ thông tin bổ sung nào về quá trình thu thập. - `response`: Lưu trữ thông báo phản hồi HTTP, bao gồm tiêu đề và nội dung, như được trả về bởi máy chủ web. - `request`: Lưu trữ thông báo yêu cầu HTTP được trình thu thập gửi đến máy chủ web. - `metadata`: Chứa thông tin bổ sung về tài nguyên, chẳng hạn như kết quả quét vi-rút hoặc văn bản được trích xuất từ trang HTML. - `revisit`: Chỉ ra rằng nội dung của tài nguyên không thay đổi kể từ lần chụp trước, cho phép lưu trữ và phát lại hiệu quả hơn các kho lưu trữ web. - `conversion`: Lưu trữ kết quả chuyển đổi tài nguyên từ định dạng này sang định dạng khác, chẳng hạn như chuyển đổi trang HTML sang văn bản thuần túy.
Mỗi bản ghi WARC bao gồm một tiêu đề văn bản thuần túy và một khối nội dung nhị phân. Tiêu đề chứa các cặp khóa-giá trị cung cấp siêu dữ liệu về bản ghi, chẳng hạn như loại bản ghi WARC, URI của tài nguyên, ngày và giờ chụp và độ dài nội dung. Khối nội dung nhị phân lưu trữ dữ liệu thực tế của tài nguyên, chẳng hạn như nội dung phản hồi HTTP hoặc tải trọng của quá trình truyền FTP.
Một trong những lợi thế chính của định dạng WARC là khả năng lưu trữ nhiều tài nguyên trong một tệp duy nhất trong khi vẫn duy trì tính toàn vẹn và ngữ cảnh của từng tài nguyên. Điều này đạt được thông qua việc sử dụng sơ đồ đặt tên phân cấp cho các bản ghi trong tệp WARC. Mỗi bản ghi được chỉ định một định danh duy nhất, bao gồm tên tệp bắt buộc và ID bản ghi tùy chọn. Điều này cho phép dễ dàng truy xuất và quản lý các tài nguyên riêng lẻ trong tệp WARC.
Các tệp WARC cũng hỗ trợ nén, giúp giảm yêu cầu lưu trữ và cải thiện tốc độ truyền. Các thuật toán nén phổ biến nhất được sử dụng với các tệp WARC là gzip và bzip2. Các tệp WARC được nén thường có phần mở rộng `.warc.gz` hoặc `.warc.bz2`.
Để tạo điều kiện xử lý và phân tích các tệp WARC, nhiều công cụ phần mềm và thư viện đã được phát triển. Chúng bao gồm các trình thu thập web như Heritrix, có thể trực tiếp xuất các tệp WARC và các công cụ như OpenWayback, có thể phát lại các trang web đã lưu trữ từ các tệp WARC. Các thư viện lập trình, chẳng hạn như Java Web Archive Toolkit (JWAT) và thư viện Python WarcIO, cung cấp API để đọc, ghi và thao tác các tệp WARC.
Định dạng WARC đã trở thành tiêu chuẩn trên thực tế cho việc lưu trữ web, nhờ vào tính mạnh mẽ, linh hoạt và được các tổ chức và tổ chức tham gia vào việc bảo tồn web áp dụng rộng rãi. Nó đã cho phép tạo ra các kho lưu trữ web quy mô lớn, chẳng hạn như Wayback Machine của Internet Archive, chứa hơn 475 tỷ trang web được chụp từ năm 1996.
Tóm lại, định dạng WARC là một công cụ quan trọng để bảo tồn và truy cập thông tin trên web cho các thế hệ tương lai. Cấu trúc chuẩn hóa, hỗ trợ nhiều loại bản ghi và khả năng lưu trữ cả nội dung và siêu dữ liệu của nó làm cho nó trở thành một định dạng lý tưởng để lưu trữ web ngày càng phát triển và tiến hóa. Khi internet tiếp tục đóng vai trò ngày càng quan trọng trong cuộc sống của chúng ta, định dạng WARC chắc chắn sẽ vẫn là một thành phần quan trọng trong các nỗ lực bảo tồn web.
Nén tệp giảm độ dư thừa để cùng một lượng thông tin sử dụng ít bit hơn. Giới hạn trên được quyết định bởi lý thuyết thông tin: với nén không mất dữ liệu, giới hạn là entropy của nguồn (xem định lý mã nguồn của Shannon source coding theorem và bài báo gốc năm 1948 “A Mathematical Theory of Communication”). Với nén mất dữ liệu, sự đánh đổi giữa bitrate và chất lượng được mô tả bởi lý thuyết rate–distortion.
Hầu hết bộ nén có hai giai đoạn. Đầu tiên một mô hình dự đoán hoặc lộ ra cấu trúc trong dữ liệu. Sau đó một bộ mã biến các dự đoán đó thành mẫu bit gần tối ưu. Gia đình kinh điển là Lempel–Ziv LZ77 (1977) và LZ78 (1978) phát hiện chuỗi lặp rồi phát các tham chiếu thay vì byte thô. Ở phía mã hóa mã Huffman (bài gốc 1952) gán mã ngắn hơn cho ký hiệu có xác suất cao. Mã hóa số học và range coding tiến gần hơn nữa tới giới hạn entropy, trong khi Asymmetric Numeral Systems (ANS) hiện đại đạt được tỷ lệ tương tự với các bảng tra cứu nhanh.
DEFLATE (dùng bởi gzip, zlib, ZIP) kết hợp LZ77 và Huffman. Đặc tả đều mở: DEFLATE RFC 1951, lớp bọc zlib RFC 1950và định dạng gzip RFC 1952. Gzip được thiết kế cho streaming và không cung cấp truy cập ngẫu nhiên. PNG chuẩn hóa DEFLATE là phương pháp duy nhất (cửa sổ tối đa 32 KiB) theo đặc tả “Compression method 0…” và W3C/ISO PNG 2nd Edition.
Zstandard (zstd): bộ nén đa dụng mới cung cấp tỷ lệ cao và giải nén cực nhanh. Định dạng có trong RFC 8878 (cùng bản HTML) và đặc tả tham chiếu trên GitHub. Như gzip, frame cơ bản không nhắm tới truy cập ngẫu nhiên. Siêu năng lực của zstd là từ điển: mẫu nhỏ từ tập dữ liệu giúp hàng loạt tệp nhỏ/giống nhau nén tốt hơn (xem tài liệu python-zstandard và ví dụ của Nigel Tao). Triển khai hỗ trợ cả từ điển “unstructured” lẫn “structured” (thảo luận).
Brotli: tối ưu cho nội dung web (font WOFF2, HTTP). Kết hợp từ điển tĩnh và lõi LZ+entropy giống DEFLATE. Đặc tả là RFC 7932, mô tả cửa sổ 2WBITS−16 với WBITS [10, 24] (1 KiB−16 B tới 16 MiB−16 B) và rằng nó không cung cấp truy cập ngẫu nhiên. Brotli thường vượt gzip trên văn bản web và giải nén nhanh.
Vỏ chứa ZIP: ZIP là kho tệp có thể lưu nhiều phương pháp nén (deflate, store, zstd...). Chuẩn thực tế là APPNOTE của PKWARE (xem cổng APPNOTE, bản lưu trữvà tóm tắt của LC ZIP File Format (PKWARE) / ZIP 6.3.3).
LZ4 ưu tiên tốc độ tuyệt đối với tỷ lệ vừa phải. Xem trang dự án và định dạng frame. Lý tưởng cho cache trong RAM, telemetri hoặc đường nóng cần giải nén gần tốc độ bộ nhớ.
XZ / LZMA hướng đến mật độ cao (tỷ lệ tốt) với thời gian nén chậm hơn. XZ là vỏ chứa; công việc chính do LZMA/LZMA2 (mô hình LZ77 + range coding) đảm nhiệm. Xem định dạng .xz, đặc tả LZMA (Pavlov)và ghi chú kernel Linux về XZ Embedded. XZ thường nén tốt hơn gzip và cạnh tranh với codec hiện đại, nhưng mã hóa lâu hơn.
bzip2 dùng Biến đổi Burrows–Wheeler (BWT), move-to-front, RLE và Huffman. Thường nhỏ hơn gzip nhưng chậm hơn; xem hướng dẫn chính thức và trang man (Linux).
Kích thước “cửa sổ” rất quan trọng. Tham chiếu DEFLATE chỉ nhìn lại 32 KiB (RFC 1951) và giới hạn 32 KiB của PNG được nêu ở đây. Brotli hỗ trợ cửa sổ từ ~1 KiB đến 16 MiB (RFC 7932). Zstd điều chỉnh cửa sổ và độ sâu tìm kiếm theo level (RFC 8878). Dòng cơ sở của gzip/zstd/brotli hướng tới giải nén tuần tự; bản thân định dạng không hứa truy cập ngẫu nhiên, nhưng các vỏ chứa (tar có chỉ mục, framing theo khối, chỉ mục chuyên biệt) có thể bổ sung.
Các định dạng trên là lossless: bạn khôi phục đúng byte ban đầu. Codec media thường lossy: loại bỏ chi tiết khó nhận biết để giảm bitrate. Với ảnh, JPEG cổ điển (DCT, lượng tử hóa, mã entropy) được chuẩn hóa trong ITU-T T.81 / ISO/IEC 10918-1. Với âm thanh, MP3 (MPEG-1 Layer III) và AAC (MPEG-2/4) dùng mô hình cảm nhận và biến đổi MDCT (xem ISO/IEC 11172-3, ISO/IEC 13818-7và tổng quan MDCT tại đây). Lossy và lossless có thể cùng tồn tại (ví dụ PNG cho UI, codec web cho ảnh/video/audio).
Lý thuyết Shannon 1948 · Rate–distortion · Mã hóa Huffman 1952 · Mã số học · Range coding · ANS. Định dạng DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4 frame · định dạng XZ. Chuỗi BWT Burrows–Wheeler (1994) · hướng dẫn bzip2. Media JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
Tóm lại: hãy chọn bộ nén phù hợp dữ liệu và ràng buộc của bạn, đo trên dữ liệu thực và đừng quên lợi ích từ từ điển cùng cách đóng gói thông minh. Khi ghép đúng, bạn sẽ có tệp nhỏ hơn, truyền nhanh hơn và ứng dụng phản hồi hơn mà không hy sinh độ chính xác hay tính di động.
Nén file là quá trình giảm kích thước của một file hoặc các file, thường để tiết kiệm không gian lưu trữ hoặc tăng tốc độ truyền trên mạng.
Nén file hoạt động bằng cách xác định và loại bỏ sự trùng lặp trong dữ liệu. Nó sử dụng thuật toán để mã hóa dữ liệu gốc trong một không gian nhỏ hơn.
Hai loại chính của nén file là nén lossless và lossy. Nén lossless cho phép phục hồi hoàn toàn file gốc, trong khi nén lossy cho phép giảm kích thước đáng kể hơn nhưng có thể mất một phần chất lượng dữ liệu.
Một ví dụ phổ biến về công cụ nén file là WinZip, hỗ trợ nhiều định dạng nén bao gồm ZIP và RAR.
Với nén lossless, chất lượng không thay đổi. Tuy nhiên, với nén lossy, có thể có sự giảm chất lượng rõ rệt do nó loại bỏ dữ liệu ít quan trọng để giảm kích thước file đáng kể hơn.
Có, nén file an toàn về mặt tính toàn vẹn của dữ liệu, đặc biệt với nén lossless. Tuy nhiên, giống như bất kỳ file nào, file nén có thể bị mục tiêu bởi malware hoặc virus, vì vậy luôn quan trọng khi có phần mềm bảo mật uy tín.
Hầu như tất cả các loại file đều có thể được nén, bao gồm file văn bản, hình ảnh, audio, video và file phần mềm. Tuy nhiên, mức độ nén có thể thực hiện đáng kể có thể thay đổi giữa các loại file khác nhau.
ZIP file là một loại định dạng file sử dụng nén lossless để giảm kích thước của một hoặc nhiều file. Nhiều file trong một ZIP file effectively được gói lại thành một file duy nhất, điều này cũng giúp việc chia sẻ dễ dàng hơn.
Về mặt kỹ thuật, có, mặc dù việc giảm kích thước thêm có thể tối thiểu hoặc thậm chí phản tác dụng. Nén một file đã được nén đôi khi có thể tăng kích thước do metadata được thêm vào bởi thuật toán nén.
Để giải nén một file, bạn thường cần một công cụ giải nén hoặc giải nén, như WinZip hoặc 7-Zip. Những công cụ này có thể trích xuất các file gốc từ định dạng nén.