| bzip2(1) | General Commands Manual | bzip2(1) |
bzip2, bunzip2 - 'block-sorting' eljárással
dolgozó tömörítőprogram, v0.9.0
bzcat - stdout-ra csomagolja ki az állományt
bzip2recover - sérült bzip2 adatait próbálja
megmenteni
bzip2 [ -cdfkstvzVL123456789 ] [ fájlnevek
... ]
bunzip2 [ -fkvsVL ] [ fájlnevek ... ]
bzcat [ -s ] [ fájlnevek ... ]
bzip2recover fájlnév
A bzip2 Burrows-Wheeler-féle blokkrendező algoritmussal és Huffman-kódolással tömörít szöveges állományokat. A tömörítés mértéke általában lényegesen jobb, mint ami a legtöbb hagyományos LZ77/LZ78 alapú tömörítővel elérhető, és megközelíti a statisztikus módszerrel dolgozó PPM család teljesítményét.
A parancssori opciók szándékosan igen hasonlóak a GNU Gzip opcióihoz, de nem azonosak azokkal.
A bzip2 állománynevek listáját várja a hozzájuk tartozó parancssori kapcsolókkal. Minden fájlt azok "eredeti_név.bz2" nevű tömörített változatára cserél ki. A tömörített fájlokhoz tartozó dátumok és jogok az eredetivel megegyeznek, így ezek a tulajdonságok kicsomagoláskor helyesen állíthatók vissza. A fájlnevek kezelése egyszerű abban az értelemben, hogy nincs lehetőség az eredeti fájlnevek, jogok és dátumok megőrzésére az ezeket nem támogató, vagy a MS-DOS-hoz hasonlóan szigorúan kötött hosszúságú neveket kezelő fájlrendszerekben.
A bzip2 és a bunzip2 alapértelmezés szerint nem írnak felül már létező fájlokat; erre a -f kapcsoló használatával lehet rávenni őket.
Fájlnevek hiányában a bzip2 a szabványos bemenetről a szabványos kimenetre dolgozik. Ebben az esetben azonban a bzip2 nem fogja a tömörített adatokat a terminálra írni, mert az feldolgozhatatlan, így értelmetlen volna.
A bunzip2 (vagy a bzip2 -d ) kicsomagolja és visszaállítja a felsorolt fájlok közül a ".bz2"-re végződő nevűket. A nem erre végződő nevű fájlokat nem veszi figyelembe. Ismételten: ha nem adunk meg fájlnevet, a tömörítés standard inputról szabványos kimenetre történik.
A bunzip2 helyesen fogja kicsomagolni azokat a fájlokat, melyek két vagy több tömörített fájl összevonásával (összemásolásával) keletkeznek. Az eredmény a kicsomagolt fájlok egybemásolt láncolata lesz. A fájlok sértetlenségének ellenőrzése (-t) az összeláncolt archívumokon is működik.
A szabványos kimenetre is lehet be- illetve kicsomagolni fájlokat a -c kapcsoló megadásával. Egyszerre több fájllal is lehet így dolgozni. A keletkező kimenetek sorban a szabványos kimenetre kerülnek. Több fájl ily módon történő tömörítése egy olyan adatfolyamot eredményez, melyben az egyes fájlok tömörítve szerepelnek. Egy ilyen állomány helyesen csak a bzip2 0.9.0-s vagy újabb verziójával csomagolható ki. A bzip2 régebbi verziói az első fájl kibontása után megállnak.
A bzcat (vagy a bzip2 -dc ) a megadott fájlokat a szabványos kimenetre csomagolja ki.
A tömörítés mindig megtörténik, még akkor is, ha a tömörített fájl esetleg valamivel nagyobb, mint az eredeti. A kb. 100 bájtnál kisebb fájlok hajlamosak erre, mivel a tömörítő mechanizmus maga is hozzáad úgy 50 bájtot az archívumhoz.
Az olyan adathalmazra, melyben az egyes elemek előfordulása véletlenszerű (ilyen a legtöbb tömörítőprogram kimenete), a kódolás kb. 8.05 bit/bájt aránnyal történik, ami megközelítőleg 0.5%-os méretnövekedést eredményez.
Önellenőrzésként az adatok védelmére a bzip2 32 bites CRC-ket (ellenőrző összegeket) használ, így biztosítva, hogy a kitömörített állomány az eredetivel megegyezzen. Ez egyrészt a tömörített adatok sérülése ellen, másrészt pedig a bzip2 eddig fel nem derített (és remélhetőleg igen valószínűtlen) hibái ellen véd. Annak az esélye, hogy a tömörített adatban előforduló hiba észrevétlen marad, igen kicsi, megközelítőleg egy a négybillióhoz minden egyes tömörített fájl esetében. Lényeges azonban, hogy az ellenőrzés kicsomagoláskor történik, és csak arra hívja fel a figyelmet, hogy valami nincs rendben, az eredeti adatot visszaállítani nem tudja. A bzip2recover -rel lehet megpróbálni az adatok visszaállítását a sérült fájlból.
Visszatérési értékek: 0 ha a program futása rendesen befejeződött 1 ha környezeti problémába futott (nem találja a fájlt, rossz kapcsolót kapott, I/O hiba esetén, stb.) 2 ha a tömörített fájl hibás 3 ha belső hiba (pl. bug) miatt a bzip2 azonnal felfüggesztette futását.
A Bzip2 a nagy fájlokat blokkokban kezeli. A blokkméret meghatározza mind az elérhető tömörítési arányt, mind pedig a be- és kicsomagoláshoz szükséges memória mennyiségét. A -1 ... -9 kapcsolók az egyes blokkméreteket 100,000 ... 900,000 bájt értékekre állítják. Kibontáskor a program az arhívum fejlécéből olvassa ki a tömörítéskor használt blokkméretet, és a bunzip2 ennek megfelelően éppen annyi memóriát foglal le magának, amennyi a kibontáshoz szükséges. Mivel a blokkméret a tömörített fájlban van, a -1 ... -9 kapcsolóknak nincs jelentőségük és azokat a program kibontáskor figyelmen kívül hagyja.
A be- és kicsomagolás memóriaigénye bájtban megközelítőleg a
Tömörítés: 400k + ( 7 x blokkméret)
Kibontás: 100k + ( 4 x blokkméret), vagy
100k + ( 2.5 x blokkméret) képletekkel becsülhető
meg,
Nagyobb blokkméret gyorsan csökkenő mellékes nyereséget ad; a tömörítés jelentős részét a blokkméret első 2-300k-ja adja. Ezt érdemes fejben tartani a bzip2 kis gépeken történő használatakor. Arról sem szabad megfeledkezni, hogy a kibontás memóriaigényét a tömörítéskor választott blokkméret határozza meg.
Az alapértelmezett 900k méretű blokkokkal tömörített fájlok esetében a bunzip2 a kibontáshoz kb. 3700k memóriát fog használni. Hogy minden fájl kibontható legyen még egy 4 megabájtos gépen is, a bunzip2 lehetővé teszi a kibontást kb. feleennyi, megközelítőleg 2300k memória felhasználásával is. Ezzel a kibontás sebessége is feleződik, így csak akkor érdemes használni ezt a lehetőséget, amikor valóban szükséges. Az idevonatkozó kapcsoló a -s.
Általában, ha a rendelkezésre álló memória mennyisége engedi, érdemes megpróbálkozni a legnagyobb blokkméret használatával, mivel így érhető el a legjobb tömörítési arány. A tömörítés és kibontás sebességét a blokkméret gyakorlatilag nem befolyásolja.
Másik lényeges pont azoknak a fájloknak az esete, melyek egyetlen blokkba beleférnek - nagy blokkméret használatakor ez a legtöbb fájlra fennáll. A ténylegesen felhasznált memória mennyisége a fájl méretével arányos, mivel a fájl kisebb, mint egy blokk. Egy 20,000 bájt hosszú fájl -9 kapcsolóval történő tömörítésekor például kb. 6700k memóriát foglal le a tömörítőprogram, de csak 400k + 20000 * 7 = 540k-t használ belőle. Kibontáskor ehhez hasonlóan 3700k-t foglal le, de csak 100k + 20000 * 4 = 180k-t használ.
A következő táblázat a különböző blokkméretekhez tartozó maximális memóriafelhasználást, valamint a Calgary Szövegtömörítés Dokumentáció összesen 3,141,622 bájtos 14 fájljának tömörített méretét tartalmazza. Ez az oszlop némi áttekintést ad arról, hogyan változik a tömörítés mértéke a blokkméret függvényében. Ezek a számok nem igazán mutatják a nagy blokkméret előnyeit nagyobb fájlokra, mivel a Dokumentációban a kisméretű fájlok túlsúlyban vannak.
Tömörítés Kibontás Kibontás
Dokumentáció
Kapcsoló mem.haszn. mem.haszn. -s -sel mérete
-1 1100k 500k 350k 914704
-2 1800k 900k 600k 877703
-3 2500k 1300k 850k 860338
-4 3200k 1700k 1100k 846899
-5 3900k 2100k 1350k 845160
-6 4600k 2500k 1600k 838626
-7 5400k 2900k 1850k 834096
-8 6000k 3300k 2100k 828642
-9 6700k 3700k 2350k 828642
Tömörítéskor a -s 200k blokkméretet állít be, ami a memóriahasználatot megközelítőleg ugyanezekre az értékekre korlátozza, a tömörítés mértékének rovására. Röviden: kevés memóriával (8 megabájt vagy kevesebb) rendelkező gép esetében mindig használjuk a -s kapcsolót. (ld. még: MEMÓRIAKEZELÉS)
A bzip2 a fájlokat rendszerint 900 kilobájtos blokkokban tömöríti. Minden blokkot külön kezel. Ha az adathordozó vagy az átvitel hibája miatt egy több blokkból álló .bz2 fájl megsérül, elképzelhető az adatok megmentése az állomány sértetlen blokkjaiból.
Minden blokk tömörített megfelelőjét egy-egy 48 bites minta határolja, ami elég jó biztonsággal teszi lehetővé a blokkhatárok megállapítását. Minden blokk tartalmazza a saját 32 bites CRC-jét, így a sérült és a sértetlen blokkok egymástól megkülönböztethetők.
A bzip2recover egy egyszerű program, aminek célja az egyes blokkok megtalálása a .bz2 archívumban, és különálló .bz2 fájlokként való kiírása. Ezek között a bzip2 -t segítségével megkereshetők és kibonthatók a sértetlen blokkok.
A bzip2recover egyetlen, egyszerű argumentumot fogad el, ez pedig a sérült állomány neve, és a különálló blokkokat tartalmazó fájlokat hoz létre "rec0001file.bz2", "rec0002file.bz2", stb. néven. A keletkező fájlok nevei olyanok, hogy az egymást követő feldolgozásoknál a joker karakterek használatakor, például a "bzip2 -dc rec*file.bz2 > javított_adat" esetén a fájlok a helyes sorrendben jelennek meg.
A bzip2recover nagy .bz2 fájlok esetén lehet hasznos, mivel ezek több blokkot tartalmaznak. Teljesen hiábavaló a használata az egy blokkot tartalmazó sérült fájloknál, mivel sérült blokk nem állítható helyre. Az adathordozó vagy az átvitel hibáiból adódó adatvesztés lehetőségének a lehető legkisebbre csökkentéséhez megfontolandó esetleg a kisebb blokkméret használata.
A tömörítés rendezés fázisában a fájl hasonló részeinek összegyűjtése történik. Emiatt az ismétlődő szimbólumok igen hosszú láncolatát (mint pl. a több százszor ismétlődő "aabaabaabaab ...") tartalmazó fájl tömörítése szélsőségesen lassú lehet. Ilyenkor a -vvvvv opcióval esetleg részletesen nyomon követhető a folyamat. A kibontás sebességét ez nem befolyásolja.
Az ilyen beteges esetek a gyakorlatban ritkának tűnnek, főleg tesztcélokra mesterségesen összeállított fájlokban, és alacsony szintű disk image-ekben (egy hajlékony- vagy merevlemez tartalma fájlba írva) fordulnak elő. Ez utóbbiak bzip2 -vel történő tömörítése nem javasolt.
Ha egy fájl tömörítésekor jelentős lassulás tapasztalható, érdemes megpróbálni a legkisebb blokkméret beállítását a -1 kapcsolóval.
A bzip2 rendszerint pár megabájt
memóriát foglal le magának, amiben dolgozhat,
aztán az egészet eléggé össze-vissza
módon töltögeti fel. Ez azt jelenti, hogy mind a
tömörítés, mind pedig a kibontás
esetén a teljesítményt nagyban az határozza meg,
hogy a rendszer milyen gyorsan tudja kiszolgálni a cache-ben nem
található adatokra irányuló
kéréseket. Emiatt a programkód ilyen esetek
arányának csökkentését
célzó kis változtatására
aránytalanul nagy teljesítménynövekedés
figyelhető meg. A bzip2
így valószínűleg a nagyon nagy cache-sel
rendelkező gépeken teljesít a legjobban.
Az I/O hibajelzések nem olyan hasznosak, amilyenek lehetnének. A bzip2 keményen próbálkozik, hogy az I/O hibákat észrevegye, és tisztán lépjen ki, de annak a részletei, hogy tulajdonképpen mi is volt a probléma, gyakran félrevezetőnek tűnnek.
Ez a kézikönyvoldal a bzip2 0.9.0-ás verzióra vonatkozik. Az ezen verzióval készített tömörített adat teljes mértékben kompatíbilis az ezt megelőző, szabadon terjeszthető 0.1pl2 verzióval készítettel, egyetlen kivétellel: 0.9.0 helyesen bontja ki a több archívumot tartalmazó összevont fájlokat. A 0.1pl2 ezt nem tudja megtenni: az első fájl kibontása után megáll.
Windows 95 és NT alatt a joker karakterek használata nem tökéletes.
A bzip2recover 32 bites egészeket használ a tömörített fájlokban a bitpozíciók ábrázolására, így nem képes kezelni az 512 megabájtnál nagyobb archívumokat. Ez a probléma egyszerűen javítható.
Julian Seward, jseward@acm.org.
http://www.muraroa.demon.co.uk
A bzip2 -ben megtestesült ötletek a következőknek tulajdoníthatók: Michael Burrows és David Wheeler (blokkrendező transzformáció) David Wheeler (Huffman kódoló) Peter Fenwick (strukturált programozási modell az eredeti bzip -ben és több finomítás) és Alistair Moffat, Radford Neal valamint Ian Witten (az eredeti bzip aritmetikai kódolója). Köszönet illeti őket segítségükért, támogatásukért és tanácsaikért.
A program forráskódjához mellékelt dokumentációban találhatók még hivatkozások további dokumentációforrásokra. Christian von Roques ösztökélt gyorsabb rendező algoritmus keresésére, és a tömörítés gyorsítására. Bela Lubkin biztatott a tömörítő "legrosszabb eset"-i teljesítményének növelésére. Több ember küldött hibajavításokat, segített hordozhatósági problémák megoldásában, adott kölcsön gépeket, adott tanácsot és volt általában segítségemre.