home *** CD-ROM | disk | FTP | other *** search
/ Software Vault: The Gold Collection / Software Vault - The Gold Collection (American Databankers) (1993).ISO / cdr31 / gzip110x.zip / ALGORTHM.DOC next >
Text File  |  1993-05-30  |  7KB  |  142 lines
  1. 1. Algorithm
  2.  
  3. The deflation algorithm used by zip and gzip is a variation of LZ77
  4. (Lempel-Ziv 1977, see reference below). It finds duplicated strings in
  5. the input data.  The second occurrence of a string is replaced by a
  6. pointer to the previous string, in the form of a pair (distance,
  7. length).  Distances are limited to 32K bytes, and lengths are limited
  8. to 258 bytes. When a string does not occur anywhere in the previous
  9. 32K bytes, it is emitted as a sequence of literal bytes.  (In this
  10. description, 'string' must be taken as an arbitrary sequence of bytes,
  11. and is not restricted to printable characters.)
  12.  
  13. Literals or match lengths are compressed with one Huffman tree, and
  14. match distances are compressed with another tree. The trees are stored
  15. in a compact form at the start of each block. The blocks can have any
  16. size (except that the compressed data for one block must fit in
  17. available memory). A block is terminated when zip determines that it
  18. would be useful to start another block with fresh trees. (This is
  19. somewhat similar to compress.)
  20.  
  21. Duplicated strings are found using a hash table. All input strings of
  22. length 3 are inserted in the hash table. A hash index is computed for
  23. the next 3 bytes. If the hash chain for this index is not empty, all
  24. strings in the chain are compared with the current input string, and
  25. the longest match is selected.
  26.  
  27. The hash chains are searched starting with the most recent strings, to
  28. favor small distances and thus take advantage of the Huffman encoding.
  29. The hash chains are singly linked. There are no deletions from the
  30. hash chains, the algorithm simply discards matches that are too old.
  31.  
  32. To avoid a worst-case situation, very long hash chains are arbitrarily
  33. truncated at a certain length, determined by a runtime option (zip -1
  34. to -9). So zip does not always find the longest possible match but
  35. generally finds a match which is long enough.
  36.  
  37. zip also defers the selection of matches with a lazy evaluation
  38. mechanism. After a match of length N has been found, zip searches for a
  39. longer match at the next input byte. If a longer match is found, the
  40. previous match is truncated to a length of one (thus producing a single
  41. literal byte) and the longer match is emitted afterwards.  Otherwise,
  42. the original match is kept, and the next match search is attempted only
  43. N steps later.
  44.  
  45. The lazy match evaluation is also subject to a runtime parameter. If
  46. the current match is long enough, zip reduces the search for a longer
  47. match, thus speeding up the whole process. If compression ratio is more
  48. important than speed, zip attempts a complete second search even if
  49. the first match is already long enough.
  50.  
  51.  
  52. 2. gzip file format
  53.  
  54. The pkzip format imposes a lot of overhead in various headers, which
  55. are useful for an archiver but not necessary when only one file is
  56. compressed. gzip uses a much simpler structure. Numbers are in little
  57. endian format, and bit 0 is the least significant bit.
  58. A gzip file is a sequence of compressed members. Each member has the
  59. following structure:
  60.  
  61. 2 bytes  magic header  0x1f, 0x8b (\037 \213)  
  62. 1 byte   compression method (0..7 reserved, 8 = deflate)
  63. 1 byte   flags
  64.             bit 0 set: file probably ascii text
  65.             bit 1 set: continuation of multi-part gzip file
  66.             bit 2 set: extra field present
  67.             bit 3 set: original file name present
  68.             bit 4 set: file comment present
  69.             bit 5 set: file is encrypted
  70.             bit 6,7:   reserved
  71. 4 bytes  file modification time in Unix format
  72. 1 byte   extra flags (depend on compression method)
  73. 1 byte   operating system on which compression took place
  74.  
  75. 2 bytes  optional part number (second part=1)
  76. 2 bytes  optional extra field length
  77. ? bytes  optional extra field
  78. ? bytes  optional original file name, zero terminated
  79. ? bytes  optional file comment, zero terminated
  80. 12 bytes optional encryption header
  81. ? bytes  compressed data
  82. 4 bytes  crc32
  83. 4 bytes  uncompressed input size modulo 2^32
  84.  
  85. The format was designed to allow single pass compression without any
  86. backwards seek, and without a priori knowledge of the uncompressed
  87. input size or the available size on the output media. If input does
  88. not come from a regular disk file, the file modification time is set
  89. to the time at which compression started.
  90.  
  91. The time stamp is useful mainly when one gzip file is transferred over
  92. a network. In this case it would not help to keep ownership
  93. attributes. In the local case, the ownership attributes are preserved
  94. by gzip when compressing/decompressing the file. A time stamp of zero
  95. is ignored.
  96.  
  97. Bit 0 in the flags is only an optional indication, which can be set by
  98. a small lookahead in the input data. In case of doubt, the flag is
  99. cleared indicating binary data. For systems which have different
  100. file formats for ascii text and binary data, the decompressor can
  101. use the flag to choose the appropriate format.
  102.  
  103. It must be possible to detect the end of the compressed data with any
  104. compression format, regardless of the actual size of the compressed
  105. data. If the compressed data cannot fit in one file (in particular for
  106. diskettes), each part starts with a header as described above, but
  107. only the last part has the crc32 and uncompressed size. A decompressor
  108. may prompt for additional data for multipart compressed files. It is
  109. desirable but not mandatory that multiple parts be extractable
  110. independently so that partial data can be recovered if one of the
  111. parts is damaged. This is possible only if no compression state is
  112. kept from one part to the other. The compression-type dependent flags
  113. can indicate this.
  114.  
  115. If the file being compressed is on a file system with case insensitive
  116. names, the original name field must be forced to lower case. There is
  117. no original file name if the data was compressed from standard input.
  118.  
  119. Compression is always performed, even if the compressed file is
  120. slightly larger than the original. The worst case expansion is
  121. a few bytes for the gzip file header, plus 5 bytes every 32K block,
  122. or an expansion ratio of 0.015% for large files. Note that the actual
  123. number of used disk blocks almost never increases.
  124.  
  125. The encryption is that of zip 1.9. For the encryption check, the
  126. last byte of the decoded encryption header must be zero. The time
  127. stamp of an encrypted file might be set to zero to avoid giving a clue
  128. about the construction of the random header.
  129.  
  130. Jean-loup Gailly
  131. jloup@chorus.fr
  132.  
  133. References:
  134.  
  135. [LZ77] Ziv J., Lempel A., "A Universal Algorithm for Sequential Data
  136. Compression", IEEE Transactions on Information Theory", Vol. 23, No. 3,
  137. pp. 337-343.
  138.  
  139. APPNOTE.TXT documentation file in PKZIP 1.93a. It is available by
  140. ftp in ftp.cso.uiuc.edu:/pc/exec-pc/pkz193a.exe [128.174.5.59]
  141. Use "unzip pkz193a.exe APPNOTE.TXT" to extract.
  142.