ZIP文件格式详解(一)——文件数据格式

ZIP文件格式详解(一)——文件数据格式 ---------------------------------------------------------------------------------- 文档说明 ZIP 格式的压缩文件是我们常用的压缩格式之一，他以其通用性、压缩比高而在全球范围内有很多的用户，本文简单介绍 ZIP 文件格式和算法。本文主要参照 http://www.pkware.com/ 提供的 appnote.txt 文件，你可以从http://www.pkware.com/download.html 下载 appnote.zip 得到这个文件。   作者：昏睡终日（Seread@163.com） 2002-10-28 16:32:25   本文仅作为技术参考资料，我尽力的保证文档的内容同原始技术文档在结构和描述上的一致，若有不当的地方请见谅。 本文档的作者不为使用本文档信息所造成的任何损失负责。   ----------------------------------------------------------------------------------     一个 ZIP 文件的普通格式 ----------------------     一个 ZIP 文件由三个部分组成：                  压缩源文件数据区+压缩源文件目录区+压缩源文件目录结束标志         1、压缩源文件数据区     在这个数据区中每一个压缩的源文件/目录都是一条记录，记录的格式如下：               [文件头+ 文件数据 + 数据描述符]          a、文件头结构          组成    　                长度       文件头标记                  4 bytes  (0x04034b50)       解压文件所需 pkware 版本    2 bytes       全局方式位标记              2 bytes   　　压缩方式                    2 bytes   　　最后修改文件时间             2 bytes  　　 最后修改文件日期             2 bytes  　　 CRC-32校验                  4 bytes  　 　压缩后尺寸                  4 bytes  　 　未压缩尺寸                  4 bytes  　　 文件名长度                  2 bytes       扩展记录长度                2 bytes  　　 文件名                     （不定长度）  　　 扩展字段                   （不定长度）           b、文件数据                   c、数据描述符  　　　组成    　长度   　　CRC-32校验                  4 bytes   　　压缩后尺寸                   4 bytes  　 　未压缩尺寸                   4 bytes       这个数据描述符只在全局方式位标记的第３位设为１时才存在（见后详解），紧接在压缩数据的最后一个字节后。这个数据描述符只用在不能对输出的 ZIP 文件进行检索时使用。例如：在一个不能检索的驱动器（如：磁带机上）上的 ZIP 文件中。如果是磁盘上的ZIP文件一般没有这个数据描述符。          2、压缩源文件目录区      在这个数据区中每一条纪录对应在压缩源文件数据区中的一条数据      　　　组成               　            长度     　　目录中文件文件头标记             4 bytes  (0x02014b50)     　　压缩使用的　pkware 版本          2 bytes     　　解压文件所需 pkware 版本         2 bytes     　　全局方式位标记                   2 bytes     　　压缩方式                        2 bytes     　　最后修改文件时间                 2 bytes     　　最后修改文件日期                 2 bytes     　　ＣＲＣ－３２校验                 4 bytes     　　压缩后尺寸                      4 bytes     　　未压缩尺寸                      4 bytes     　　文件名长度                      2 bytes     　　扩展字段长度                    2 bytes     　　文件注释长度                    2 bytes     　　磁盘开始号                      2 bytes     　　内部文件属性                    2 bytes     　　外部文件属性                    4 bytes         局部头部偏移量                  4 bytes     　　文件名                       （不定长度）     　　扩展字段                     （不定长度）         文件注释                     （不定长度）         3、压缩源文件目录结束标志       　　　组成               　          长度         目录结束标记                    4 bytes  (0x02014b50)         当前磁盘编号                    2 bytes         目录区开始磁盘编号              2 bytes     　　本磁盘上纪录总数                 2 bytes     　　目录区中纪录总数                 2 bytes     　　目录区尺寸大小                   4 bytes     　　目录区对第一张磁盘的偏移量        4 bytes     　　ZIP 文件注释长度                 2 bytes     　　ZIP 文件注释                   （不定长度）            作者Blog： http://blog.csdn.net/seread/ 相关文章 ZIP文件格式详解(一)——文件数据格式

对该文的评论 CSDN 网友 ( 2004-06-23) 只有格式，没有算法吗？ ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿ 1. Compression algorithm (deflate) The deflation algorithm used by gzip (also zip and zlib) is a variation of LZ77 (Lempel-Ziv 1977, see reference below). It finds duplicated strings in the input data.  The second occurrence of a string is replaced by a pointer to the previous string, in the form of a pair (distance, length).  Distances are limited to 32K bytes, and lengths are limited to 258 bytes. When a string does not occur anywhere in the previous 32K bytes, it is emitted as a sequence of literal bytes.  (In this description, `string' must be taken as an arbitrary sequence of bytes, and is not restricted to printable characters.) Literals or match lengths are compressed with one Huffman tree, and match distances are compressed with another tree. The trees are stored in a compact form at the start of each block. The blocks can have any size (except that the compressed data for one block must fit in available memory). A block is terminated when deflate() determines that it would be useful to start another block with fresh trees. (This is somewhat similar to the behavior of LZW-based _compress_.) Duplicated strings are found using a hash table. All input strings of length 3 are inserted in the hash table. A hash index is computed for the next 3 bytes. If the hash chain for this index is not empty, all strings in the chain are compared with the current input string, and the longest match is selected. The hash chains are searched starting with the most recent strings, to favor small distances and thus take advantage of the Huffman encoding. The hash chains are singly linked. There are no deletions from the hash chains, the algorithm simply discards matches that are too old. To avoid a worst-case situation, very long hash chains are arbitrarily truncated at a certain length, determined by a runtime option (level parameter of deflateInit). So deflate() does not always find the longest possible match but generally finds a match which is long enough. deflate() also defers the selection of matches with a lazy evaluation mechanism. After a match of length N has been found, deflate() searches for a longer match at the next input byte. If a longer match is found, the previous match is truncated to a length of one (thus producing a single literal byte) and the process of lazy evaluation begins again. Otherwise, the original match is kept, and the next match search is attempted only N steps later. The lazy match evaluation is also subject to a runtime parameter. If the current match is long enough, deflate() reduces the search for a longer match, thus speeding up the whole process. If compression ratio is more important than speed, deflate() attempts a complete second search even if the first match is already long enough. The lazy match evaluation is not performed for the fastest compression modes (level parameter 1 to 3). For these fast modes, new strings are inserted in the hash table only when no match was found, or when the match is not too long. This degrades the compression ratio but saves time since there are both fewer insertions and fewer searches. 2. Decompression algorithm (inflate) 2.1 Introduction The key question is how to represent a Huffman code (or any prefix code) so that you can decode fast.  The most important characteristic is that shorter codes are much more common than longer codes, so pay attention to decoding the short codes fast, and let the long codes take longer to decode. inflate() sets up a first level table that covers some number of bits of input less than the length of longest code.  It gets that many bits from the stream, and looks it up in the table.  The table will tell if the next code is that many bits or less and how many, and if it is, it will tell the value, else it will point to the next level table for which inflate() grabs more bits and tries to decode a longer code. How many bits to make the first lookup is a tradeoff between the time it takes to decode and the time it takes to build the table.  If building the table took no time (and if you had infinite memory), then there would only be a first level table to cover all the way to the longest code.  However, building the table ends up taking a lot longer for more bits since short codes are replicated many times in such a table.  What inflate() does is simply to make the number of bits in the first table a variable, and  then to set that variable for the maximum speed. For inflate, which has 286 possible codes for the literal/length tree, the size of the first table is nine bits.  Also the distance trees have 30 possible values, and the size of the first table is six bits.  Note that for each of those cases, the table ended up one bit longer than the ``average'' code length, i.e. the code length of an approximately flat code which would be a little more than eight bits for 286 symbols and a little less than five bits for 30 symbols. 2.2 More details on the inflate table lookup Ok, you want to know what this cleverly obfuscated inflate tree actually looks like.  You are correct that it's not a Huffman tree.  It is simply a lookup table for the first, let's say, nine bits of a Huffman symbol.  The symbol could be as short as one bit or as long as 15 bits.  If a particular symbol is shorter than nine bits, then that symbol's translation is duplicated in all those entries that start with that symbol's bits.  For example, if the symbol is four bits, then it's duplicated 32 times in a nine-bit table.  If a symbol is nine bits long, it appears in the table once. If the symbol is longer than nine bits, then that entry in the table points to another similar table for the remaining bits.  Again, there are duplicated entries as needed.  The idea is that most of the time the symbol will be short and there will only be one table look up.  (That's whole idea behind data compression in the first place.)  For the less frequent long symbols, there will be two lookups.  If you had a compression method with really long symbols, you could have as many levels of lookups as is efficient.  For inflate, two is enough. So a table entry either points to another table (in which case nine bits in the above example are gobbled), or it contains the translation for the symbol and the number of bits to gobble.  Then you start again with the next ungobbled bit. You may wonder: why not just have one lookup table for how ever many bits the longest symbol is?  The reason is that if you do that, you end up spending more time filling in duplicate symbol entries than you do actually decoding. At least for deflate's output that generates new trees every several 10's of kbytes.  You can imagine that filling in a 2^15 entry table for a 15-bit code would take too long if you're only decoding several thousand symbols.  At the other extreme, you could make a new table for every bit in the code.  In fact, that's essentially a Huffman tree.  But then you spend two much time traversing the tree while decoding, even for short symbols. So the number of bits for the first lookup table is a trade of the time to fill out the table vs. the time spent looking at the second level and above of the table. Here is an example, scaled down: The code being decoded, with 10 symbols, from 1 to 6 bits long: A: 0 B: 10 C: 1100 D: 11010 E: 11011 F: 11100 G: 11101 H: 11110 I: 111110 J: 111111 Let's make the first table three bits long (eight entries): 000: A,1 001: A,1 010: A,1 011: A,1 100: B,2 101: B,2 110: -> table X (gobble 3 bits) 111: -> table Y (gobble 3 bits) Each entry is what the bits decode as and how many bits that is, i.e. how many bits to gobble.  Or the entry points to another table, with the number of bits to gobble implicit in the size of the table. Table X is two bits long since the longest code starting with 110 is five bits long: 00: C,1 01: C,1 10: D,2 11: E,2 Table Y is three bits long since the longest code starting with 111 is six bits long: 000: F,2 001: F,2 010: G,2 011: G,2 100: H,2 101: H,2 110: I,3 111: J,3 So what we have here are three tables with a total of 20 entries that had to be constructed.  That's compared to 64 entries for a single table.  Or compared to 16 entries for a Huffman tree (six two entry tables and one four entry table).  Assuming that the code ideally represents the probability of the symbols, it takes on the average 1.25 lookups per symbol.  That's compared to one lookup for the single table, or 1.66 lookups per symbol for the Huffman tree. There, I think that gives you a picture of what's going on.  For inflate, the meaning of a particular symbol is often more than just a letter.  It can be a byte (a "literal"), or it can be either a length or a distance which indicates a base value and a number of bits to fetch after the code that is added to the base value.  Or it might be the special end-of-block code.  The data structures created in inftrees.c try to encode all that information compactly in the tables. Jean-loup Gailly        Mark Adler jloup@gzip.org          madler@alumni.caltech.edu References: [LZ77] Ziv J., Lempel A., ``A Universal Algorithm for Sequential Data Compression,'' IEEE Transactions on Information Theory, Vol. 23, No. 3, pp. 337-343. ``DEFLATE Compressed Data Format Specification'' available in http://www.ietf.org/rfc/rfc1951.txt