algorithm.doc

   1 1. Algorithm
   2
   3 The deflation algorithm used by zip and gzip is a variation of
   4 Lempel-Ziv 1977 [LZ77].  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 gzip file format was standardized in Internet RFC 1952 [RFC1952].
  61 This section briefly describes the format and comments on some
  62 implementation details.
  63
  64 The pkzip format imposes a lot of overhead in various headers, which
  65 are useful for an archiver but not necessary when only one file is
  66 compressed. gzip uses a much simpler structure. Numbers are in little
  67 endian format, and bit 0 is the least significant bit.
  68 A gzip file is a sequence of compressed members. Each member has the
  69 following structure:
  70
  71 2 bytes  magic header  0x1f, 0x8b (\037 \213)
  72 1 byte   compression method (0..7 reserved, 8 = deflate)
  73 1 byte   flags
  74             bit 0 set: file probably ascii text
  75             bit 1 set: header CRC-16 present
  76             bit 2 set: extra field present
  77             bit 3 set: original file name present
  78             bit 4 set: file comment present
  79             bit 5,6,7: reserved
  80 4 bytes  file modification time in Unix format
  81 1 byte   extra flags (depend on compression method)
  82 1 byte   operating system on which compression took place
  83
  84 2 bytes  optional part number (second part=1)
  85 2 bytes  optional extra field length
  86 ? bytes  optional extra field
  87 ? bytes  optional original file name, zero terminated
  88 ? bytes  optional file comment, zero terminated
  89 2 bytes  optional 16-bit header CRC
  90 ? bytes  compressed data
  91 4 bytes  crc32
  92 4 bytes  uncompressed input size modulo 2^32
  93
  94 The format was designed to allow single pass compression without any
  95 backwards seek, and without a priori knowledge of the uncompressed
  96 input size or the available size on the output media. If input does
  97 not come from a regular disk file, the file modification time is set
  98 to the time at which compression started.
  99
 100 The timestamp is useful mainly when one gzip file is transferred over
 101 a network. In this case it would not help to keep ownership
 102 attributes. In the local case, the ownership attributes are preserved
 103 by gzip when compressing/decompressing the file. A timestamp of zero
 104 is ignored.
 105
 106 Bit 0 in the flags is only an optional indication, which can be set by
 107 a small lookahead in the input data. In case of doubt, the flag is
 108 cleared indicating binary data. For systems which have different
 109 file formats for ascii text and binary data, the decompressor can
 110 use the flag to choose the appropriate format.
 111
 112 The extra field, if present, must consist of one or more subfields,
 113 each with the following format:
 114
 115   subfield id   : 2 bytes
 116   subfield size : 2 bytes  (little-endian format)
 117   subfield data
 118
 119 The subfield id can consist of two letters with some mnemonic value.
 120 Please send any such id to <gzip@gnu.org>. Ids with a zero second
 121 byte are reserved for future use. The following ids are defined:
 122
 123   Ap (0x41, 0x70) : Apollo file type information
 124
 125 The subfield size is the size of the subfield data and does not
 126 include the id and the size itself. The field 'extra field length' is
 127 the total size of the extra field, including subfield ids and sizes.
 128
 129 It must be possible to detect the end of the compressed data with any
 130 compression format, regardless of the actual size of the compressed
 131 data. If the compressed data cannot fit in one file (in particular for
 132 diskettes), each part starts with a header as described above, but
 133 only the last part has the crc32 and uncompressed size. A decompressor
 134 may prompt for additional data for multi-part compressed files. It is
 135 desirable but not mandatory that multiple parts be extractable
 136 independently so that partial data can be recovered if one of the
 137 parts is damaged. This is possible only if no compression state is
 138 kept from one part to the other. The compression-type dependent flags
 139 can indicate this.
 140
 141 If the file being compressed is on a file system with case insensitive
 142 names, the original name field must be forced to lower case. There is
 143 no original file name if the data was compressed from standard input.
 144
 145 Compression is always performed, even if the compressed file is
 146 slightly larger than the original. The worst case expansion is
 147 a few bytes for the gzip file header, plus 5 bytes every 32K block,
 148 or an expansion ratio of 0.015% for large files. Note that the actual
 149 number of used disk blocks almost never increases.
 150
 151 Jean-loup Gailly
 152 gzip@gnu.org
 153
 154 References:
 155
 156 [LZ77] Ziv J., Lempel A., "A Universal Algorithm for Sequential Data
 157 Compression", IEEE Transactions on Information Theory, Vol. 23, No. 3,
 158 May 1977, pp. 337-343.
 159
 160 [RFC1952] Deutsch P., "GZIP file format specification version 4.3",
 161 Internet RFC 1952, May 1996, <https://www.ietf.org/rfc/rfc1952.txt>.
 162
 163 APPNOTE.TXT documentation file in PKZIP 1.93a (October 1991).  This
 164 version no longer seems to be available online; the latest version is
 165 in <https://www.pkware.com/documents/casestudies/APPNOTE.TXT>.