فشرده سازی فایل چیست

فشرده سازی دقیقا چه کار می کند

فشرده سازی یعنی همان محتوا را با بایت کمتر نوشتن، با پیدا کردن تکرار. ایده اش ساده تر از چیزی است که به نظر می رسد. اگر یک متن سی بار کلمه «سلام» داشته باشد، به جای سی بار نوشتنش، یک بار می نویسید و بیست و نه بار به آن اشاره می کنید. برنامه ای که فایل را باز می کند، از روی همان اشاره ها متن اصلی را دوباره می سازد.

پس هر چه فایل تکرار بیشتری داشته باشد، بیشتر جمع می شود. متن پر از تکرار است و بیشترین سود را می برد.

یک نمونه از همین سایت: فایل استایل قالب rgb.ir در حالت عادی ۱۲۹ کیلوبایت است. همان فایل با gzip می شود ۳۲ کیلوبایت. یعنی حدود یک چهارم، و بدون اینکه حتی یک حرف از آن کم شود.

بی اتلاف یا با اتلاف؛ تفاوتی که همه چیز را تعیین می کند

این تنها تقسیمی است که در فشرده سازی واقعا مهم است و بقیه چیزها جزئیات آن هستند.

فشرده سازی بی اتلاف قول می دهد فایلی که بیرون می آید مو به مو همان فایلی باشد که رفت. ZIP و RAR و 7z و gzip همه از این خانواده اند. برای سند و کد و صفحه گسترده و هر چیزی که یک بایتش هم مهم است، فقط همین خانواده قابل استفاده است.

فشرده سازی با اتلاف قول دیگری می دهد: خیلی کوچک تر می کنم، به شرطی که اجازه بدهی چیزهایی را دور بریزم که چشم و گوش آدم معمولا متوجهشان نمی شود. عکس JPEG، آهنگ MP3 و ویدیوی MP4 همه محصول همین معامله اند. آنچه دور ریخته شده برنمی گردد. باز کردن دوباره فایل، جزئیات از دست رفته را احیا نمی کند، چون دیگر داخل فایل نیست.

راه ساده ای برای دیدن این تفاوت هست. یک فایل را با gzip فشرده کردیم و دوباره باز کردیم، و اثر انگشت رقمی هر دو نسخه دقیقا یکی بود؛ همان چیزی که در درس نصب امن نرم افزار به آن چک سام می گوییم. هیچ فایل با اتلافی این آزمون را پاس نمی کند و قرار هم نیست پاس کند.

چرا زیپ کردن پوشه عکس ها حجم را کم نمی کند

این سوالی است که هر کسی یک بار از خودش پرسیده و جوابش یک جمله است: چون آن فایل ها از قبل فشرده اند. عکس JPEG یا WebP، آهنگ MP3 و ویدیوی MP4 همگی محصول یک فشرده سازی سنگین اند و تکراری در آن ها باقی نمانده که ZIP بتواند پیدا کند.

روی همین سرور امتحانش کردیم. یک تصویر WebP از کتابخانه رسانه سایت، ۵۴۹ کیلوبایت. با gzip در بالاترین درجه فشرده اش کردیم و نتیجه ۱۱۵ بایت بزرگ تر از فایل اصلی شد. بزرگ تر، نه کوچک تر. دلیلش هم منطقی است: چیزی برای جمع کردن نمانده بود و هر فایل فشرده چند بایت اطلاعات سرآیند دارد که به آن اضافه می شود.

پس زیپ کردن یک پوشه عکس بی فایده نیست، فقط فایده اش چیز دیگری است. ده ها فایل را به یک فایل تبدیل می کند که فرستادنش راحت تر است و در راه کم و کسر پیدا نمی کند. اگر هدفتان کم کردن حجم است، باید سراغ خود عکس ها بروید، نه سراغ بسته بندی شان. آن کار موضوع درس فرمت های تصویر است.

با اتلاف یعنی چقدر کوچک تر

عدد گفتن اینجا بی معنی است مگر روی یک تصویر مشخص، پس یک تصویر واقعی از کتابخانه رسانه همین سایت را برداشتیم، با ابعاد ۲۵۴۴ در ۱۹۰۴ پیکسل، و چند بار با تنظیمات مختلف ذخیره اش کردیم.

به شکل PNG، که بی اتلاف است، ۷۰۲۱ کیلوبایت شد؛ یعنی حدود هفت مگابایت برای یک تصویر. همان تصویر به شکل JPEG با کیفیت ۹۰ برابر ۱۳۸۸ کیلوبایت شد، با کیفیت ۶۰ برابر ۵۵۴ کیلوبایت، و با کیفیت ۳۰ برابر ۳۱۹ کیلوبایت.

دو چیز در این ردیف عددها دیدنی است. اول اینکه پرش بزرگ بین بی اتلاف و با اتلاف اتفاق می افتد، نه بین کیفیت ۹۰ و کیفیت ۳۰. دوم اینکه پایین آوردن کیفیت از ۶۰ به ۳۰ فقط حدود دویست کیلوبایت می برد و در عوض خرابی را روی لبه ها آشکار می کند. برای همین است که در عمل معمولا جایی بین شصت و هشتاد می ایستیم و پایین تر نمی رویم.

و یک نکته که آموزش ها کم می گویند: کیفیت را فقط یک بار پایین بیاورید. هر بار که یک فایل با اتلاف را باز و دوباره ذخیره کنید، خرابی جدیدی روی خرابی قبلی سوار می شود. نسخه اصلی و بی اتلاف را جایی نگه دارید و همیشه از روی همان خروجی بگیرید.

رمز روی فایل فشرده؛ هم ابزار، هم حقه

تقریبا هر برنامه فشرده سازی می تواند روی بایگانی رمز بگذارد. کار مفیدی است. اگر مجبورید چند فایل حساس را با ایمیل بفرستید، یک بایگانی رمزدار بهتر از فرستادن فایل ها به شکل ساده است، به شرطی که رمز از راه دیگری برسد؛ مثلا تلفنی.

حالا روی دیگر سکه. همان ویژگی، سال هاست یکی از راه های رساندن بدافزار است و دلیلش خیلی فنی نیست. سامانه ای که ضمیمه های ایمیل را بررسی می کند، نمی تواند داخل یک بایگانی رمزدار را ببیند. مستندات خود مایکروسافت برای Defender for Office 365 همین را می نویسد: ضمیمه رمزدار را نمی شود کامل بررسی یا اجرا کرد مگر آنکه رمزش در دسترس باشد، مثلا از متن همان ایمیل استخراج شود. برای همین سیاست پیشنهادی شان قرنطینه کردن چنین پیام هایی است.

پس فرستنده بدافزار رمز را داخل متن ایمیل می نویسد. برای شما هیچ زحمتی ندارد و برای بررسی کننده یک دیوار است.

قاعده ای که از این نتیجه می گیریم ساده است و بهتر است بدون استثنا رعایتش کنید: بایگانی رمزداری را که منتظرش نبوده اید باز نکنید، حتی اگر فرستنده آشنا به نظر برسد. آدرس فرستنده جعل می شود؛ یک تماس تلفنی جعل نمی شود.

فشرده سازی هایی که خودتان نمی بینید

بیشتر فشرده سازی که در زندگی روزمره از آن سود می برید، دست شما نیست و اصلا خبرش را ندارید. هر صفحه ای که در مرورگر باز می کنید، تقریبا همیشه فشرده از سرور می آید و مرورگر پیش از نمایش بازش می کند.

روی همین سایت می شود اندازه اش گرفت. لایه کش rgb.ir در لحظه نوشتن این درس ۳۱۱۱ صفحه آماده روی دیسک دارد. آن صفحه ها روی هم ۴۶۶ مگابایت HTML اند و روی دیسک ۱۰۱ مگابایت جا گرفته اند، یعنی حدود ۲۲ درصد. نکته جالب تر این است که یک نسخه فشرده نشده هم در آن پوشه نیست؛ فقط نسخه فشرده ذخیره می شود و همان مستقیم برای بازدیدکننده فرستاده می شود.

و این دقیقا چیزی است که در بحث سرعت سایت مهم می شود: همان محتوا، یک پنجم ترافیک. اگر این سمت ماجرا برایتان جالب است، مسیر سرعت سایت در همین بخش آموزش ادامه اش می دهد، و اگر سایتی دارید که کند است، صفحه افزایش سرعت سایت نشان می دهد این کار روی یک سایت واقعی چطور انجام می شود.