GNU TAR ファイルを抽出する

ファイル圧縮は冗長性を減らすことで、同じ情報がより少ないビットで済むようにします。どこまで圧縮できるかの上限は情報理論によって定められています。可逆圧縮の場合、その限界はソースのエントロピーです（シャノンの ソース符号化定理 と彼の1948年の独創的な論文 「通信の数学的理論」を参照）。非可逆圧縮の場合、レートと品質のトレードオフは レート歪み理論によって捉えられます。

2つの柱：モデリングとコーディング

ほとんどの圧縮プログラムには2つの段階があります。まず、モデルがデータ内の構造を予測または公開します。 次に、コーダーがそれらの予測をほぼ最適なビットパターンに変換します。古典的なモデリング ファミリーはレンペル–ジブです。 LZ77 (1977) とLZ78 (1978)は、繰り返される部分文字列を検出し、生のバイトの代わりに参照を出力します。 コーディング側では、 ハフマン符号化 （元の論文 1952を参照）は、より可能性の高いシンボルに短いコードを割り当てます。 算術符号化 と 範囲符号化 は、エントロピー限界に近づけるためのよりきめ細かい代替手段であり、現代の 非対称数系（ANS） は、高速なテーブル駆動の実装で同様の圧縮を実現します。

一般的なフォーマットが実際に何をしているか

DEFLATE（gzip、zlib、ZIPで使用）は、LZ77とハフマン符号化を組み合わせたものです。その仕様は公開されています： DEFLATE RFC 1951、zlibラッパー RFC 1950、およびgzipファイル形式 RFC 1952。Gzipはストリーミング用にフレーム化されており、明示的に ランダムアクセスを提供しようとはしません。PNG画像は、PNG仕様書によれば、DEFLATEを唯一の圧縮方法として標準化しています（最大32 KiBのウィンドウ）。 「圧縮方法0… deflate/inflate… 最大32768バイト」 および W3C/ISO PNG第2版。

Zstandard (zstd): 非常に高速な 解凍で高い圧縮率を実現するために設計された、新しい汎用圧縮プログラムです。この形式は RFC 8878 （ HTMLミラーも参照）および参照仕様書 GitHubで文書化されています。gzipと同様に、基本フレームは ランダムアクセスを目的としていません。zstdのスーパーパワーの1つは辞書です。コーパスからの小さなサンプルで、多数の小さなファイルや類似のファイルで 圧縮を劇的に改善します（ python-zstandard辞書ドキュメント および Nigel Taoの実例を参照）。実装は、「非構造化」と「構造化」の両方の辞書を受け入れます （ディスカッション）。

Brotli: ウェブコンテンツ（例：WOFF2フォント、HTTP）に最適化されています。静的辞書と DEFLATEのようなLZ+エントロピーコアを組み合わせます。仕様は RFC 7932で、2^WBITS−16のスライディングウィンドウ（WBITSは[10, 24]、1 KiB−16 Bから 16 MiB−16 Bまで）と、 ランダムアクセスを試みないことも記されています。Brotliは、ウェブテキストでgzipをしばしば上回り、高速にデコードします。

ZIPコンテナ: ZIPは、さまざまな圧縮方法 （deflate、store、zstdなど）でエントリを保存できるファイルアーカイブです。事実上の標準はPKWAREのAPPNOTEです（ APPNOTEポータル、 ホストされているコピー、およびLCの概要 ZIPファイル形式（PKWARE） / ZIP 6.3.3を参照）。

速度と圧縮率：フォーマットの位置づけ

LZ4は、控えめな圧縮率で生の速度を目標としています。その プロジェクトページ （「非常に高速な圧縮」）と フレーム形式を参照してください。メモリ内キャッシュ、テレメトリ、または解凍がRAM速度に近い必要があるホットパスに最適です。

XZ / LZMAは、比較的遅い圧縮で密度（優れた圧縮率）を追求します。XZはコンテナです。 重労働は通常、LZMA/LZMA2（LZ77のようなモデリング+範囲符号化）によって行われます。 .xzファイル形式、 LZMA仕様（Pavlov）、およびLinuxカーネルのメモ XZ Embeddedについてを参照してください。XZは通常、gzipを上回り、高圧縮率の最新コーデックとしばしば競合しますが、エンコード時間は遅くなります。

bzip2は、 Burrows–Wheeler変換（BWT）、move-to-front、RLE、およびハフマン符号化を適用します。通常、gzipよりも小さいですが遅いです。 公式マニュアル およびmanページ （Linux）を参照してください。

ウィンドウ、ブロック、ランダムアクセス

「ウィンドウサイズ」は重要です。DEFLATE参照は32 KiBしか遡れません （RFC 1951 およびPNGの32 KiBキャップ ここに記載）。Brotliのウィンドウは、約1 KiBから16 MiBの範囲です （RFC 7932）。Zstdは、レベルごとにウィンドウと検索深度を調整します （RFC 8878）。基本的なgzip/zstd/brotliストリームは、シーケンシャルデコード用に設計されています。基本形式は ランダムアクセスを約束しませんが、コンテナ（例：tarインデックス、チャンク化されたフレーミング、または形式固有のインデックス）でそれを階層化できます。

可逆対非可逆

上記の形式は可逆です。正確なバイトを再構築できます。メディアコーデックはしばしば非可逆です。 より低いビットレートを達成するために、知覚できない詳細を破棄します。画像では、古典的なJPEG（DCT、量子化、エントロピー 符号化）は ITU-T T.81 / ISO/IEC 10918-1で標準化されています。音声では、MP3（MPEG-1 Layer III）とAAC（MPEG-2/4）は、知覚モデルとMDCT変換に依存しています（ ISO/IEC 11172-3、 ISO/IEC 13818-7、およびMDCTの概要 こちらを参照）。非可逆と可逆は共存できます（例：UIアセット用のPNG、画像/動画/音声用のWebコーデック）。

実践的なヒント

• 仕事に合わせて選ぶ。 ウェブテキストとフォント： brotli。一般的なファイルとバックアップ： zstd （優れた解凍速度と、時間と圧縮率を交換するレベル）。超高速パイプとテレメトリ： lz4。エンコード時間が問題にならない長期アーカイブの最大密度： xz/LZMA。
• 小さなファイル？ zstd （ドキュメント） / （例）で辞書をトレーニングして配布します。何十もの小さな類似オブジェクトを劇的に縮小できます。
• 相互運用性。 複数のファイルを交換する場合は、コンテナ（ZIP、tar）と 圧縮プログラムを優先します。ZIPのAPPNOTEは、メソッドIDと機能を定義しています。 PKWARE APPNOTE およびLCの概要 こちらを参照してください。
• データで測定する。 圧縮率と速度はコーパスによって異なります。多くのリポジトリがベンチマークを公開しています（例： LZ4のREADMEはSilesiaコーパスを こちらで引用しています）が、常にローカルで検証してください。

主要な参考文献（詳細）

理論： シャノン 1948 · レート歪み · 符号化： ハフマン 1952 · 算術符号化 · 範囲符号化 · ANS. フォーマット： DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4フレーム · XZ形式. BWTスタック： Burrows–Wheeler (1994) · bzip2マニュアル. メディア： JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.

結論：データと制約に合った圧縮プログラムを選択し、実際の入力で測定し、 辞書とスマートフレーミングによる利点を忘れないでください。適切な組み合わせで、 より小さなファイル、より速い転送、より軽快なアプリを手に入れることができます—正確さや移植性を犠牲にすることなく。