Capítulo 7: Empaquetamiento y Compresión

7.1 Introducción

En este capítulo vamos a hablar de cómo gestionar los archivos en la línea de comandos.

El Empaquetamiento de Archivos se utiliza cuando uno o más archivos se tienen que transmitir o almacenar lo más
eficientemente posible. Hay dos aspectos:

 El Empaquetamiento - Combina varios archivos en uno solo, lo que elimina la sobrecarga en archivos
individuales y los hace más fácil de transmitir
 Compresión – hace los archivos más pequeños mediante la eliminación de información redundante

Puedes realizar empaquetamiento de varios archivos en un solo archivo y luego comprimirlo, o puedes comprimir un
archivo individual. La primera opción se conoce todavía como empaquetamiento de archivos, mientras la última se
llama solo compresión. Cuando tomas un archivo empaquetado, lo descomprimes y extraes uno o más archivos, lo
estás desempaquetando.

A pesar de que el espacio en disco es relativamente barato, el empaquetamiento y la compresión aún tienen su
valor:

 Si quieres que un gran número de archivos sea disponible, tales como el código fuente a una aplicación o un
conjunto de documentos, es más fácil para las personas descargar un archivo empaquetado que descargar
los archivos individuales.
 Los archivos de registro tienen la costumbre de llenar los discos por lo que es útil dividirlos por fecha y
comprimir las versiones más antiguas.
 Cuando haces copias de seguridad de los directorios, es más fácil mantenerlos todos en un archivo
empaquetado que crear una versión de cada archivo.
 Algunos dispositivos de transmisión, como cintas, se desempeñan mejor enviando una transmisión en
secuencia de datos en lugar de los archivos individuales.
 A menudo puede ser más rápido comprimir un archivo antes de enviarlo a una unidad de cinta o a una red
más lenta y descomprimir en el otro extremo en vez de enviarlo descomprimido.

Como administrador de Linux, debes familiarizarte con las herramientas para el empaquetamiento y compresión de
archivos.

7.2 Comprimir los Archivos

Comprimiendo los archivos los hace más pequeños eliminando la duplicación en un archivo y guardándolo de tal
manera que el archivo se pueda restaurar. Un archivo de texto legible podría reemplazar palabras usadas con
frecuencia por algo más pequeño, o una imagen con un fondo sólido podría representar manchas de ese color por
un código. Generalmente no usas la versión comprimida del archivo, más bien lo descomprimes antes de usar. El
algoritmo de compresión es un procedimiento con el que la computadora codifica el archivo original y como
resultado lo hace más pequeño. Los científicos informáticos investigan estos algoritmos y elaboran mejoras, que
pueden trabajar más rápido o hacer más pequeño el archivo de entrada.

Cuando se habla de compresión, existen dos tipos:

 Lossless (o «sin pérdida» en español): No se elimina ninguna información del archivo. Comprimir un archivo
y descomprimirlo deja algo idéntico al original.
 Lossy (o «con pérdida» en español): Información podría ser retirada del archivo cuando se comprime para
que al descomprimir el archivo de lugar a un archivo que es un poco diferente que el original. Por ejemplo,
una imagen con dos tonos de verde sutilmente diferentes podría hacerse más pequeña por tratar esos dos
tonos como uno. De todos modos, el ojo no puede reconocer la diferencia.

Generalmente los ojos y oídos humanos no notan imperfecciones leves en las imágenes y el audio, especialmente
cuando se muestran en un monitor o suenan a través de los altavoces. La compresión con pérdida a menudo
beneficia a los medios digitales ya que los tamaños de los archivos son más pequeños y las personas no pueden
indicar la diferencia entre el original y la versión con los datos cambiados. Cosas que deben permanecer intactas,
como los documentos, los registros y el software necesitan una compresión sin pérdida.

La mayoría de los formatos de imágenes, como GIF, PNG y JPEG, implementan algún tipo de compresión con
pérdida. Generalmente puedes decidir cuánta calidad quieres conservar. Una calidad inferior resultará en un archivo
más pequeño, pero después de la descompresión puedes notar resultados no deseados tales como los bordes
ásperos o decoloraciones. Una calidad alta se parecerá mucho a la imagen original, pero el tamaño del archivo será
más cercano al original.

Comprimir un archivo ya comprimido no lo hará más pequeño. Esto a menudo se olvida cuando se trata de
imágenes, puesto que ya se almacenan en un formato comprimido. Con la compresión sin pérdida esta compresión
múltiple no es un problema, pero si se comprime y descomprime un archivo varias veces mediante un algoritmo con
pérdida obtendrás algo que es irreconocible.

Linux proporciona varias herramientas para comprimir los archivos, la más común es gzip. A continuación, te
mostraremos un archivo de registro antes y después de la compresión.

En el ejemplo anterior hay un archivo llamado access_log que tiene 372,063 bytes. El archivo se comprime
invocando el comando gzip con el nombre del archivo como el único argumento. Al finalizar el comando su tarea, el
archivo original desaparece y una versión comprimida con una extensión de archivo .gz se queda en su lugar. El
tamaño del archivo es ahora 26,080 bytes, dando una relación de compresión de 14:1, que es común en el caso de
los archivos de registro.

El comando gzip te dará esta información si se lo pides utilizando el parámetro –l tal como se muestra aquí:

Aquí puedes ver que se da el porcentaje de compresión de 93%, lo inverso de la relación 14:1, es decir, 13/14.
Además, cuando el archivo se descomprime, se llamará access_log.

Lo contrario del comando gzip es el comando gunzip. Por otra parte, gzip –d hace la misma cosa (gunzip es sólo un
script que invoca el comando gzip con los parámetros correctos). Cuando el comando gunzip termine su tarea,
podrás ver que el archivo access_log vuelve a su tamaño original.

Gzip puede también actuar como un filtro que no lee ni escribe nada en el disco sino recibe datos a través de un
canal de entrada y los escribe a un canal de salida. Aprenderás más sobre cómo funciona en el siguiente capítulo, por
lo que el ejemplo siguiente sólo te da una idea de lo que puedes hacer al comprimir una secuencia.
El comando mysqldump – A da salidas a los contenidos de las bases de datos de MySQL locales a la consola. El
carácter | (barra vertical) dice "redirigir la salida del comando anterior en la entrada del siguiente". El programa para
recibir la salida es gzip, que reconoce que no se dieron nombres de archivo por lo que debe funcionar en modo de
barra vertical. Por último, > database_backup.gz significa "redirigir la salida del comando anterior en un archivo
llamado database_backup.gz. La inspección de este archivo con gzip –l muestra que la versión comprimida es un
7.5% del tamaño original, con la ventaja agregada de que el archivo más grande jamás tuvo que ser escrito a disco.

Hay otro par de comandos que operan prácticamente idénticamente al gzip y gunzip. Éstos son el bzip2 y bunzip2.
Las utilidades del bzip utilizan un algoritmo de compresión diferente (llamado bloque de clasificación de Burrows-
Wheeler frente a la codificación Lempel-Ziv que utiliza gzip) que puede comprimir los archivos más pequeños que un
gzip a costa de más tiempo de CPU. Puedes reconocer estos archivos porque tienen una extensión .bz o .bz2 en vez
de .gz.

7.3 Empaquetando Archivos

Si quieres enviar varios archivos a alguien, podrías comprimir cada uno individualmente. Tendrías una cantidad más
pequeña de datos en total que si enviaras los archivos sin comprimir, pero todavía tendrás que lidiar con muchos
archivos al mismo tiempo.

El empacamiento de archivos es la solución a este problema. La utilidad tradicional de UNIX para archivar los ficheros
es la llamada tar, que es una abreviación de TApe aRchive (o «archivo de cinta» en español). Tar era utilizado para
transmitir muchos archivos a una cinta para copias de seguridad o transferencias de archivos. Tar toma varios
archivos y crea un único archivo de salida que se puede dividir otra vez en los archivos originales en el otro extremo
de la transmisión.

Tar tiene 3 modos que deberás conocer:

 Crear: hacer un archivo nuevo de una serie de archivos

 Extraer: sacar uno o más archivos de un archivo
 Listar: mostrar el contenido del archivo sin extraer

Recordar los modos es clave para averiguar las opciones de la línea de comandos necesarias para hacer lo que
quieres. Además del modo, querrás asegurarte de que recuerdas dónde especificar el nombre del archivo, ya que
podrías estar introduciendo varios nombres de archivo en una línea de comandos.

Aquí, mostramos un archivo tar, también llamado un tarball, siendo creado a partir de múltiples registros de acceso.

La creación de un archivo requiere dos opciones de nombre. La primera, c, especifica el modo. La segunda, f, le dice
a tar que espere un nombre de archivo como el siguiente argumento. El primer argumento en el ejemplo anterior
crea un archivo llamado access_logs.tar. El resto de los argumentos se toman para ser nombres de los archivo de
entrada, ya sea un comodín, una lista de archivos o ambos. En este ejemplo, utilizamos la opción comodín para
incluir todos los archivos que comienzan con access_log.

El ejemplo anterior hace un listado largo de directorio del archivo creado. El tamaño final es 542,720 bytes que es
ligeramente más grande que los archivos de entrada. Los tarballs pueden ser comprimidos para transporte más fácil,
ya sea comprimiendo un archivo con gzip o diciéndole a tar que lo haga con la a opción z tal como se muestra a
continuación:
El ejemplo anterior muestra el mismo comando como en el ejemplo anterior, pero con la adición del parámetro z. La
salida es mucho menor que el tarball en sí mismo, y el archivo resultante es compatible con gzip. Se puede ver en el
último comando que el archivo descomprimido es del mismo tamaño, como si hubieras utilizado el tar en un paso
separado.

Mientras que UNIX no trata las extensiones de archivo especialmente, la convención es usar .tar para los archivos tar
y .tar.gz o .tgz para los archivos tar comprimidos. Puedes utilizar bzip2 en vez de gzip sustituyendo la letra z con j y
usando .tar.bz2,.tbz, o .tbz2 para una extensión de archivo (por ejemplo tar –cjf file.tbz access_log*).

En el archivo tar, comprimido o no, puedes ver lo que hay dentro utilizando el comando t:

Este ejemplo utiliza 3 opciones:

 t: listar documentos en el archivo en el archivo empaquetado

 j: descomprimir con bzip2 antes de la lectura
 f: operar en el nombre de archivo access_logs.tbz

El contenido del archivo comprimido entonces es desplegado. Puedes ver que un directorio fue prefijado a los
archivos. Tar se efectuará de manera recursiva hacia los subdirectorios automáticamente cuando comprime y
almacenará la información de la ruta de acceso dentro del archivo.

Sólo para mostrar que este archivo aún no es nada especial, vamos a listar el contenido del archivo en dos pasos
mediante una barra vertical.

A la izquierda de la barra vertical está bunzip –c access_logs.tbz, que descomprime el archivo, pero el c envía la
salida a la pantalla. La salida es redirigida a tar -t. Si no especificas que un archivo con –f, entonces el tar leerá la
entrada estándar, que en este caso es el archivo sin comprimir.

Finalmente, puedes extraer el archivo con la marca –x:

El ejemplo anterior utiliza un patrón similar como antes, especificando la operación (eXtract), compresión ( (la
opción j, que significa bzip2) y un nombre de archivo -f access_logs.tbz). El archivo original está intacto y se crea el
nuevo directorio logs. Los archivos están dentro del directorio.

Añade la opción –v y obtendrás una salida detallada de los archivos procesados. Esto es útil para que puedas ver lo
que está sucediendo:

Es importante mantener la opción –f al final, ya que el tar asume que lo que sigue es un nombre de archivo. En el
siguiente ejemplo, las opciones f y v fueron transpuestas, llevando al tar a interpretar el comando como una
operación en un archivo llamado "v" (el mensaje relevante viene en itálica).

Si sólo quieres algunos documentos del archivo empaquetado puedes agregar sus nombres al final del comando,
pero por defecto deben coincidir exactamente con el nombre del archivo o puedes utilizar un patrón:

El ejemplo anterior muestra el mismo archivo que antes, pero extrayendo solamente el archivo logs/access_log. La
salida del comando (ya se solicitó el modo detallado con la bandera v) muestra que sólo un archivo se ha extraído.

El tar tiene muchas más funciones, como la capacidad de utilizar los patrones al extraer los archivos, excluir ciertos
archivos o mostrar los archivos extraídos en la pantalla en lugar de un disco. La documentación para el tar contiene
información a profundidad.
7.4 Archivos ZIP

De hecho, la utilidad del empaquetamiento de archivos en el mundo de Microsoft es el archivo ZIP. No es tan
frecuente en Linux pero también es compatible con los comandos zip y unzip. Con el tar y gzip/gunzip se pueden
utilizar los mismos comandos y las mismas opciones para hacer la creación y extracción, pero éste no es el caso del
zip. La misma opción tiene diferentes significados para los estos dos diferentes comandos.

El modo predeterminado del zip es añadir documentos a un archivo y comprimir.

El primer argumento en el ejemplo anterior es el nombre del archivo sobre el cual se trabajará, en este caso es el
logs.zip. Después de eso, hay que añadir una lista de archivos a ser agregados. La salida muestra los archivos y la
relación de compresión. Debes notar que el tar requiere la opción –f para indicar que se está pasando un nombre de
archivo, mientras que el zip y unzip requiere un nombre de archivo, por lo tanto no tienes que decir explícitamente
que se está pasando un nombre de archivo.

Zip no se efectuará de manera recursiva hacia los subdirectorios por defecto, lo que es un comportamiento diferente
del tar. Es decir, simplemente añadiendo logs en vez de logs/* sólo añadirá un directorio vacío y no los archivos
dentro de él. Si quieres que zip se comporte de manera parecida, debes utilizar el comando –r para indicar que se
debe usar la recursividad:

En el ejemplo anterior, se añaden todos los archivos bajo el directorio logs ya que utiliza la opción –r. La primera
línea de la salida indica que un directorio se agregó al archivo, pero de lo contrario la salida es similar al ejemplo
anterior.

El listado de los archivos en el zip se realiza por el comando unzip y la opción –l (listar):
Extraer los archivos es como crear el archivo, ya que la operación predeterminada es extraer:

Aquí, extraemos todos los documentos del archivo empaquetado al directorio actual. Al igual que el tar, puedes
pasar los nombres de archivos a la línea de comandos:

El ejemplo anterior muestra tres diferentes intentos para extraer un archivo. En primer lugar, se pasa sólo el nombre
del archivo sin el componente del directorio. Al igual que con el tar, el archivo no coincide.

El segundo intento pasa el componente del directorio junto con el nombre del archivo, que extrae solo ese archivo.

La tercera versión utiliza un comodín, que extrae los 4 archivos que coinciden con el patrón, al igual que el tar.

Las páginas man del zip y unzip describen las otras cosas que puedes hacer con estas herramientas, tales como
reemplazar los archivos dentro del archivo empaquetado, utilizar los diferentes niveles de compresión o incluso el
cifrado.