Bzip2
bzip2 — бесплатная свободная утилита командной строки с открытым исходным кодом для сжатия данных, реализация алгоритма Барроуза — Уилера.
Разработана и впервые опубликована Джулианом Сюардом (Julian Seward) в июле 1996 года (версия 0.15). Стабильность и популярность компрессора росли в течение нескольких лет, и версия 1.0 была опубликована в конце 2000 года.
Эффективность
В соответствии с традициями UNIX, bzip2 единовременно может выполнять только одну операцию: либо сжатие, либо распаковку и только для одного файла. При сжатии bzip2 добавляет к имени файла расширение «.bz2». Для упаковки нескольких файлов их сперва архивируют в один файл утилитой tar, а затем сжимают при помощи bzip2. Такие архивы обычно имеют расширение «.tar.bz2».
bzip2 сжимает большинство файлов эффективнее, но медленнее, чем более традиционные утилиты gzip или zip. В этом отношении он похож на другие современные алгоритмы сжатия.
bzip2 выполняет сжатие данных с существенной нагрузкой на CPU (что обусловлено его математическим аппаратом). bzip2 применяют, если нет ограничений на время сжатия и на нагрузку на CPU, например, для разовой упаковки большого объёма данных.
В некоторых случаях bzip2 уступает по эффективности сжатия архиваторам 7-Zip (метод сжатия LZMA) и rar. Согласно данным автора программы от 2005 года, метод сжатия bzip2 уступает по эффективности сжатия на 10‑15% наилучшим методом, известным на тот момент (PPM). На данный момент наиболее эффективно сжимают различные реализации метода PAQ. Однако, использование данного метода крайне затруднено по причине низкой производительности (сжатие требует больших временных затрат), но при этом в 2 раза быстрее при сжатии и в 6 раз быстрее при распаковке.
Описание алгоритма
Метод сжатия bzip2 работает следующим образом:
- несжатые данные делятся на блоки фиксированного размера;
- выполняется преобразование Барроуза — Уилера для превращения последовательностей многократно чередующихся символов в строки одинаковых символов;
- применяет преобразование Move-To-Front(MTF);
- используется кодирование Хаффмана.
Приблизительный размер блока можно выбрать при помощи аргументов командной строки («-1» для 100 килобайт, «-2» для 200 КБ, …, «-9» для 900 КБ). Каждый блок сжимается независимо, сжатые блоки записываются последовательно друг за другом, в начале каждого используется 48-битная последовательность — магическое число 0x314159265359 (в кодировке ASCII при выравнивании на границу байта отображается как «1AY&SY»), то есть запись первых десятичных цифр числа Пи в формате BCD. Конец файла помечается 48-битной константой 0x177245385090, представляющей собой корень из числа Пи.
Предшественник bzip2, программа bzip, вместо кодирования Хаффмана использовала арифметическое кодирование. Из‑за патентных ограничений от этого алгоритма отказались.
Использование
Примеры использования bzip2.
# Команда для сжатия файла «file» bzip2 file # или bzip2 --compress file # Команда для распаковки файла «file.bz2» bzip2 -d file.bz2 # или bzip2 --decompress file.bz2 # или bunzip2 file.bz2 # bunzip2 - копия bzip2 или ссылка на bzip2
Аргументы командной строки bzip2 в основном такие же, как и у утилиты gzip.
# Команда для распаковки архива tar, сжатого bzip2 bzip2 -cd file.tar.bz2 | tar -xvf - # или bzip2 --stdout --decompress file.tar.bz2 \ | tar --extract --verbose --file - # Команда для создания архива tar, сжатого bzip2 tar -cvf - files | bzip2 -9 > file.tar.bz2 # или tar --create --verbose --file - files \ | bzip2 -9 > file.tar.bz2
Версия GNU tar поддерживает флаг «-j» («--bzip2»), который позволяет создавать и распаковывать файлы «tar.bz2» без использования перенаправлений ввода-вывода (pipeline). Пример:
# Упаковка данных в архив tar и сжатие bzip2 при помощи GNU tar tar -cvjf file.tar.bz2 list_of_files # или tar --create --verbose --bzip2 --file file.tar.bz2 list_of_files # Распаковка архива tar, сжатого bzip2 при помощи GNU tar tar -xvjf file.tar.bz2 # или tar --extract --verbose --bzip2 --file file.tar.bz2
Современные версии GNU tar могут автоматически определить метод сжатия данных, и поэтому флаг «-j» («--bzip2») можно не использовать. Пример:
tar -xvf file.tar.bz2 # или tar --extract --verbose --file file.tar.bz2
Кроме того, существует набор утилит для выполнения поиска, вывода, восстановления и сравнения данных в формате bzip2:
-
bzcat— распаковка данных и вывод на терминал; -
bzmore,bzless— распаковка данных и постраничный вывод на терминал; -
bzcmp— распаковка двух файлов, сравнение содержимого и сообщение результата: «равно» или «не равно»; -
bzdiff— распаковка двух файлов, сравнение содержимого и вывод различий; -
bzgrep,bzegrep,bzfgrep— распаковка данных и поиск в распакованном; -
bzip2recover— распаковка любых блоков, которые только можно распаковать.
Формат файла
Архив «.bz2» содержит поток (stream) сжатых данных. Слово «поток» употребляется, так как данные нельзя разделить логически и блоки данных сжимаются независимо друг от друга. Сжатые данные состоят из следующих полей:
- заголовок размером 4 байта;
- ноль или более блоков сжатых данных различного размера;
- маркер, обозначающий конец сжатых данных и контрольная сумма(CRC) размером 32 бита, вычисленная для всего потока;
- несколько неиспользуемых бит для дополнения размера потока до целого количества байт.
| Название поля | Размер поля в битах | Описание |
|---|---|---|
| .magic | 16 | BZ — константа, сигнатура, магическое число.
|
| .version | 8 | Байт, кодирующий номер версии.
|
| .hundred_k_blocksize | 8 | Размер блока несжатых данных в сотнях kB.
|
| .compressed_magic | 48 | 0x314159265359 — константа, число Пи, записанное в двоично-десятичном коде(BCD).
|
| .crc | 32 | Контрольная сумма, рассчитанная для текущего блока. |
| .randomised | 1 |
|
| .origPtr | 24 | starting pointer into Преобразование Барроуза — Уилера(BWT) for after untransform |
| .huffman_used_map | 16 | bitmap, of ranges of 16 bytes, «имеется»/«отсутствует» |
| .huffman_used_bitmaps | 0..256 | bitmap, of symbols used, «имеется»/«отсутствует» (кратно 16) |
| .huffman_groups | 3 | Число от 2 до 6, количество используемых таблиц Хаффмана. |
| .selectors_used | 15 | Число, показывающее сколько раз выполнялась смена таблицы Хаффмана (каждые 50 байт). |
| *.selector_list | 1..6 | zero-terminated bit runs (0..62) of Move-To-Front(MTF)'ed Huffman table (*selectors_used) |
| .start_huffman_length | 5 | 0..20 starting bit length for Huffman deltas |
| *.delta_bit_length | 1..40 |
{ 1=>decrement length; 0=>increment length } (*(symbols+2)*groups) |
| .contents | 2..∞ | Huffman encoded data stream. Продолжается до конца блока. Максимальная длина равна formatnum:7372800 бит. |
| .eos_magic | 48 | 0x177245385090 — константа, квадратный корень из числа Пи (sqrt(pi)) в двоично-десятичном коде(BCD).
|
| .crc | 32 | Контрольная сумма, рассчитанная для всего потока. |
| .padding | 0..7 | Неиспользуемые биты (от 0 до 7). Назначение: увеличение размера архива до размера, кратного одному байту (8 битам) (выравнивание данных). |
Максимальный размер не сжатого блока равен 900 kB. Если блок состоит из одного повторяющегося символа, после кодирования RLE блок займёт около 46 MB (45899236 байт), а после выполнения всех операций размер файла .bz2 составит 46 байт. Если повторяющийся символ будет иметь код 251, размер файла .bz2 составит 40 байт, а коэффициент сжатия (compression ratio) будет равен 1147480.9:1.
