el bzip2 es un el algoritmo sin pérdidas abierto libre de la compresión de datos de la fuente de y y programa desarrollado por el Seward juliano . Seward hizo el primer lanzamiento público de bzip2, versión 0. La estabilidad y el renombre del compresor crecieron sobre los varios años próximos, y la versión lanzada 1.0 de Seward de finales de 2000.
Eficacia de la compresión
bzip2 comprime la mayoría de los archivos más con eficacia que un más tradicional Gzip o el CIERRE RELÁMPAGO pero es más lento. De este modo es bastante similar a otros algoritmos de compresión de la reciente-generación. Desemejante de otros formatos tales como RAR o CIERRE RELÁMPAGO (y similar al gzip), bzip2 es solamente un compresor de los datos, no un archiver. El programa sí mismo no tiene ninguna facilidad para los archivos múltiples, encripción o el archivo-partir, en la tradición de UNIX en lugar de otro que confía en utilidades externas separadas tales como alquitrán y GnuPG para estas tareas.Según lo indicado en la página delantera del Web site bzip2, en la mayoría de los casos bzip2 es sobrepasado por LZMA y algoritmos del PPM en términos de eficacia absoluta de la compresión. Según el autor, bzip2 consigue dentro del diez a quince por ciento de PPM, mientras que estando áspero dos veces tan rápidamente en la compresión y seis veces más rápidamente en la descompresión.
bzip2 utiliza el Burrows-Policía motorizado transforma para convertir secuencias del carácter con frecuencia que se repiten en las cadenas de letras idénticas, y después aplica un Mover-a-delantero transforma y finalmente la codificación de Huffman. En bzip2 los bloques son generalmente todos los mismos tamaños en el plaintext, que se puede seleccionar por una comando-línea discusión entre el kB - de 100 kB 900. Los bloques de la compresión son delimitados por una secuencia de 48 pedacitos (número mágico ) derivada de la representación del decimal codificado en binario del π, 0x314159265359, con la fin-de-corriente delimitada semejantemente por un valor que representa la raíz cuadrada (π ), 0x177245385090.
Original, el bzip del antepasado de bzip2 utilizó la codificación aritmética después del blocksort; esto fue continuada debido a la restricción de la patente que se substituirá por la codificación de Huffman usada actual en bzip2.
bzip2 se sabe para ser extremadamente lento en la compresión, haciendo a gente optar por alternativas tales como Gzip o Rar cuando el tiempo es una edición. Este problema es asimétrico, pues la descompresión está relativamente rápidamente. Motivado por el tiempo CPU grande requerido para la compresión, una versión modificada fue creada en 2003 que el apoyado Multi-threading, dando mejoras significativas de la velocidad en multi-CPU y las computadoras multifilares. En fecha 2007 esta funcionalidad no se ha incorporado en el proyecto principal.
Apilado de la compresión
Bzip2 utiliza varias capas de técnicas de compresión apiladas encima de uno a, que ocurren en la orden siguiente durante la compresión y la orden reversa durante la descompresión: codificación (RLE) de la Funcionar-longitud: cualquier secuencia de 4 a 255 símbolos duplicados consecutivos es substituida por los primeros cuatro símbolos y una longitud de la repetición entre 0 y 251. Así el" de la secuencia; AAAAAAABBBBCCCD" se substituye por el " AAAA \ 3BBBB \ 0CCCD" . Los funcionamientos de símbolos se transforman siempre después de cuatro símbolos consecutivos, incluso si la funcionar-longitud se fija a cero, para mantener la transformación reversible. En el peor caso, puede causar una extensión del pre-BWT de 1.25 y en el mejor caso una reducción a <0.02 del tamaño original. Observar que mientras que la especificación permite teóricamente funcionamientos de la longitud 256 - 259 que se codificarán, esto no es en la práctica alcanzado debido al uso del " limitado; char" datatype para almacenar y para cargar longitudes de RLE. El autor considera este paso un error histórico -- no mejora realmente la compresión mucho, y fue pensado proteger el algoritmo de BWT contra casos patológicos. local mucho " natural" los datos contienen los símbolos idénticos que se repiten dentro de una gama limitada (el texto es un buen ejemplo). Mientras que los MTF transforman asignan valores bajos a los símbolos que reaparecen con frecuencia, éste da lugar a una secuencia de datos que contenga muchos símbolos en la gama baja del número entero, muchas de ellos que son idénticos (diversos símbolos de la entrada que se repiten pueden trazar realmente al mismo símbolo de la salida). Tales datos se pueden codificar muy eficientemente por cualquier método de la compresión de la herencia.
RUNA y RUNB, que representan la funcionar-longitud como número binario mayor de un (1). La secuencia 0,0,0,0,0,1 sería representada como 0, RUNB, RUNA, 1; RUNB y RUNA que representan el valor 4 en decimal. El código de la funcionar-longitud es terminado alcanzando otro símbolo normal. Este proceso de RLE es más flexible que el RLE del paso 1, como puede codificar arbitrariamente números enteros largos (en la práctica, esto es limitado generalmente por el tamaño de bloque, de modo que este paso no codifique un funcionamiento de más de 900000 octetos). La funcionar-longitud se codifica de este modo: la asignación de valores de lugar de 1 al primer pedacito, de 2 al segundo, de 4 al tercero, del etc. en la secuencia de RUNA/RUNB, multiplica cada valor de lugar en un punto de RUNB por 2, y agrega todos los valores de lugar resultantes (para los valores de RUNA y de RUNB igualmente) juntos. Así, la secuencia RUNB, RUNA da lugar al valor (1*2 + 2) = 4. Como ejemplo más complicado: RUNA RUNB RUNA RUNA RUNB (ABAAB)
&NBSP; 1 2 4 8 16
1 4 4 8 32 = 49 Codificación de Huffman: este proceso substituye los símbolos de la longitud fija (bytes de 8 bits) por los códigos de longitud variable basados en la frecuencia del uso. Los códigos más con frecuencia usados terminan para arriba más corto (2-3 pedacitos) mientras que los códigos raros se pueden asignar hasta 20 pedacitos. Los códigos se seleccionan cuidadosamente de modo que ninguna secuencia de pedacitos pueda ser confusa para un diverso código de la fin-de-corriente de code.The sea particularmente interesante. Si hay diversos octetos del n (símbolos) usados en los datos sin comprimir, después el código de Huffman consistirá en dos códigos de RLE (RUNA y RUNB), códigos del símbolo del n-1 y un código de la fin-de-corriente. Debido a el resultado combinado de las codificaciones de MTF y de RLE en los dos pasos anteriores, nunca hay cualquier necesidad de referirse explícitamente al primer símbolo a la tabla de MTF, así al símbolo del ahorro uno para el marcador de la fin-de-corriente (y explicar porqué solamente los símbolos del n-1 se cifran en el árbol de Huffman). En el caso extremo donde solamente un símbolo se utiliza en los datos sin comprimir, no habrá códigos del símbolo en absoluto en el árbol de Huffman, y el bloque entero consistirá en RUNA y RUNB (que repiten implícito el solo octeto) y un marcador de la fin-de-corriente con el
0: RUNA
1: RUNB
2-257: el octeto valora 0-255
258: extremo de la corriente, proceso del final. (podría ser tan bajo como el 2). El múltiple Huffman tabula : varias tablas idéntico-clasificadas de Huffman se pueden utilizar con un bloque si el aumento de usarlas es mayor que el coste de incluir la tabla adicional. Por lo menos dos (2) y hasta seis (6) tablas pueden estar presentes, con la tabla más apropiada que es reelegida antes de cada 50 símbolos procesados. Esto tiene la ventaja del tener dinámica muy responsiva de Huffman sin tener que continuamente suministrar las nuevas tablas, como sería requerido en DESINFLAN . la codificación de la Funcionar-longitud en el paso anterior se diseña para tomar el cuidado de los códigos que tienen una probabilidad inversa del uso más arriba que el código más corto de Huffman del código funcionando.
Formato de archivo
Una corriente de.bz2 consiste en un jefe de 4 octetos, seguido por bloques cero o comprimida, seguidos inmediatamente por un marcador de la fin-de-corriente que contiene un CRC de 32 bits para la corriente entera del plaintext procesada. Pedacito-se alinean los bloques comprimidos y ninguÌn acolchado ocurre. ¡
.magic: 16 = firma de “BZ”/número mágico .version: 8 = “h” para Bzip2 ('codificación de H'uffman), “0” para Bzip1 (desaprobado) tamaño de .hundred_k_block: 8 = “1”. “9” kB del bloquear-tamaño 100 kB-900 .com pressed_magic: 48 = 0x314159265359 (BCD (pi)) .crc: 32 = suma de comprobación para este bloque .randomised: 1 = 0=>normal, 1=>randomised (desaprobado) .origPtr: 24 = comenzando el indicador en BWT para después del untransform .huffman_used_map: 16 = BITMAP, de los radios de acción de 16 octetos, presente/no presente .huffman_used_bitmaps: 0.256 = BITMAP, de los símbolos usados, presente/no presente (múltiplos de 16) .huffman_groups: el número 3 = 2.6 de diverso Huffman tabula funcionando .selectors_used: 15 = número de épocas que el Huffman tabule son
- (de cada 50 octetos) .6 = cero-terminó los funcionamientos del pedacito (0.62) de la tabla de MTF'ed Huffman (*selectors_used)
.eos_magic: 48 = 0x177245385090 (raíz cuadrada del BCD (pi)) .crc: 32 = suma de comprobación para la corriente entera .7 = alinean con el octeto entero
Nota para los ejecutores: Debido a la compresión de primera planta de RLE (véase arriba), la longitud máxima del plaintext que un solo 900 el bloque del kB bzip2 puede contener está alrededor de 46 MB (45,899,235 octetos). Esto puede ocurrir si el plaintext entero consiste enteramente en valores repetidos (el archivo resultante de .bz2 en este caso es 46 octetos de largo).
Uso
En el Unix, bzip2 puede ser utilizado combinó con o independiente de alquitrán: archivo del bzip2 a comprimir y bzip2 - d file.bz2 a los uncompress (el bunzip2 del alias para la descompresión se puede también utilizar).la línea de comando de bzip2 banderas está sobre todo igual que en el Gzip . Así pues, extraer de un alquitrán-archivo de bzip2-compressed:
bzip2 - d < archivefile .bz2 | alquitrán - xf - o bunzip2 < archivefile .bz2 | alquitrán - xf -
Para crear un alquitrán-archivo de bzip2-compressed:
alquitrán - cf - nombres de fichero del | bzip2 > archivefile .bz2
El alquitrán del GNU apoya a - la bandera de j, que permite la creación de los archivos tar.bz2 sin una tubería: alquitrán - archivo-lista archivefile .bz2 del cjf
Descompresión en alquitrán del GNU: alquitrán - archivefile .bz2 del xjf
Puestas en práctica
bzip2: Puesta en práctica original juliana de la referencia de s de Seward 'disponible debajo de una licencia del DEB.7-Zip : escrito por Igor Pavlov en el C++, la habitación 7-Zip contiene un codificador bzip2/un decodificador que se autorice libremente.
micro-bzip2: una versión de Robo Landley diseñó para el tamaño de código compilado reducido y disponible bajo LGPL del GNU.bzip2: Puesta en práctica de Java del sistema de la estructura de la hormiga de Apache disponible debajo de la licencia de Apache.
PBZIP2: Pthreads paralelos - puesta en práctica basada en el C++ de Jeff Gilchrist.
SelfImage: Nominal un toner del disco de Windows, SelfImage también maneja bzip2 el archivo paralelo de/compression
bzip2smp: una modificación a
libbzip2 que tiene " de la paralelización del SMP ; in" cortado; de Konstantin Isakov. smpbzip2: Otros van en bzip2 paralelo, por Niels Werensteijn.
pyflate: un pitón puro bzip2 independiente y el DESINFLAN el decodificador de ( Gzip ) de Paul Sladen. Probablemente útil para la investigación y la creación de un prototipo, hecho disponible bajo DEB / GLP / LGPL / DFSG autoriza.
Ver también
la lista archivo da formato a
Lista de los archivers del archivo
Comparación de los archivers del archivo
Lista de los programas de Unix
Rzip, un sistema en grande de la compresión que utiliza Bzip2 como un compresor de segunda planta que sigue una etapa del diccionario de LZ77-style.
| Random links: | Bigfoot | Cinco dinastías y período de diez reinos | Intervención financiera | Nik Kershaw | Doliolida |