algorithm.doc

   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 The lazy match evaluation is not performed for the fastest compression
  52 modes (speed options -1 to -3). For these fast modes, new strings
  53 are inserted in the hash table only when no match was found, or
  54 when the match is not too long. This degrades the compression ratio
  55 but saves time since there are both fewer insertions and fewer searches.
  56
  57
  58 2. gzip file format
  59
  60 The pkzip format imposes a lot of overhead in various headers, which
  61 are useful for an archiver but not necessary when only one file is
  62 compressed. gzip uses a much simpler structure. Numbers are in little
  63 endian format, and bit 0 is the least significant bit.
  64 A gzip file is a sequence of compressed members. Each member has the
  65 following structure:
  66
  67 2 bytes  magic header  0x1f, 0x8b (\037 \213)
  68 1 byte   compression method (0..7 reserved, 8 = deflate)
  69 1 byte   flags
  70             bit 0 set: file probably ascii text
  71             bit 1 set: continuation of multi-part gzip file
  72             bit 2 set: extra field present
  73             bit 3 set: original file name present
  74             bit 4 set: file comment present
  75             bit 5 set: file is encrypted
  76             bit 6,7:   reserved
  77 4 bytes  file modification time in Unix format
  78 1 byte   extra flags (depend on compression method)
  79 1 byte   operating system on which compression took place
  80
  81 2 bytes  optional part number (second part=1)
  82 2 bytes  optional extra field length
  83 ? bytes  optional extra field
  84 ? bytes  optional original file name, zero terminated
  85 ? bytes  optional file comment, zero terminated
  86 12 bytes optional encryption header
  87 ? bytes  compressed data
  88 4 bytes  crc32
  89 4 bytes  uncompressed input size modulo 2^32
  90
  91 The format was designed to allow single pass compression without any
  92 backwards seek, and without a priori knowledge of the uncompressed
  93 input size or the available size on the output media. If input does
  94 not come from a regular disk file, the file modification time is set
  95 to the time at which compression started.
  96
  97 The time stamp is useful mainly when one gzip file is transferred over
  98 a network. In this case it would not help to keep ownership
  99 attributes. In the local case, the ownership attributes are preserved
 100 by gzip when compressing/decompressing the file. A time stamp of zero
 101 is ignored.
 102
 103 Bit 0 in the flags is only an optional indication, which can be set by
 104 a small lookahead in the input data. In case of doubt, the flag is
 105 cleared indicating binary data. For systems which have different
 106 file formats for ascii text and binary data, the decompressor can
 107 use the flag to choose the appropriate format.
 108
 109 The extra field, if present, must consist of one or more subfields,
 110 each with the following format:
 111
 112   subfield id   : 2 bytes
 113   subfield size : 2 bytes  (little-endian format)
 114   subfield data
 115
 116 The subfield id can consist of two letters with some mnemonic value.
 117 Please send any such id to <gzip@gnu.org>. Ids with a zero second
 118 byte are reserved for future use. The following ids are defined:
 119
 120   Ap (0x41, 0x70) : Apollo file type information
 121
 122 The subfield size is the size of the subfield data and does not
 123 include the id and the size itself. The field 'extra field length' is
 124 the total size of the extra field, including subfield ids and sizes.
 125
 126 It must be possible to detect the end of the compressed data with any
 127 compression format, regardless of the actual size of the compressed
 128 data. If the compressed data cannot fit in one file (in particular for
 129 diskettes), each part starts with a header as described above, but
 130 only the last part has the crc32 and uncompressed size. A decompressor
 131 may prompt for additional data for multipart compressed files. It is
 132 desirable but not mandatory that multiple parts be extractable
 133 independently so that partial data can be recovered if one of the
 134 parts is damaged. This is possible only if no compression state is
 135 kept from one part to the other. The compression-type dependent flags
 136 can indicate this.
 137
 138 If the file being compressed is on a file system with case insensitive
 139 names, the original name field must be forced to lower case. There is
 140 no original file name if the data was compressed from standard input.
 141
 142 Compression is always performed, even if the compressed file is
 143 slightly larger than the original. The worst case expansion is
 144 a few bytes for the gzip file header, plus 5 bytes every 32K block,
 145 or an expansion ratio of 0.015% for large files. Note that the actual
 146 number of used disk blocks almost never increases.
 147
 148 The encryption is that of zip 1.9. For the encryption check, the
 149 last byte of the decoded encryption header must be zero. The time
 150 stamp of an encrypted file might be set to zero to avoid giving a clue
 151 about the construction of the random header.
 152
 153 Jean-loup Gailly
 154 gzip@gnu.org
 155
 156 References:
 157
 158 [LZ77] Ziv J., Lempel A., "A Universal Algorithm for Sequential Data
 159 Compression", IEEE Transactions on Information Theory", Vol. 23, No. 3,
 160 pp. 337-343.
 161
 162 APPNOTE.TXT documentation file in PKZIP 1.93a. It is available by
 163 ftp in ftp.cso.uiuc.edu:/pc/exec-pc/pkz193a.exe [128.174.5.59]
 164 Use "unzip pkz193a.exe APPNOTE.TXT" to extract (note: unzip, not gunzip).