bzip2(1) bzip2(1) 名前 bzip2, bunzip2 - ブロックソートによってファイルを圧縮・伸長する。バージ ョン 1.0.2 bzcat - ファイルを標準出力に伸長する bzip2recover - 破損した bzip2 ファイルからデータを復元する 書式 bzip2 [ -cdfkqstvzVL123456789 ] [ filenames ... ] bunzip2 [ -fkvsVL ] [ filenames ... ] bzcat [ -s ] [ filenames ... ] bzip2recover filename 説明 bzip2 は、Burrows-Wheeler ブロックソートテキスト圧縮アル ゴ リ ズ ム と Huffman コ ー ド 化 を 使 っ てファイルを圧縮する。圧縮率は、一般的な LZ77/LZ78 ベースの圧縮率に比べると、大抵の場合でとても良い。また、圧 縮 速度は、統計的圧縮法である PPM 圧縮の速度に近づいている。 コ マンドラインオプションは GNU gzip のオプションにわざと似せてあるが、 同じではない。 bzip2 はコマンドラインのフラグを伴ったファイル名のリストを受け取る。 各 フ ァイルは、"original_name.bz2" という名前の圧縮されたファイルに置き換 えられる。圧縮ファイルの修正日・アクセス権・(設定可能な場合の) 所有者は 、 元のファイルと同じになる。これにより、伸長時に属性が正しく復元される 。ファイル名の操作は、元のファイル名・アクセス権・所有者を保存する仕 組 み がファイルシステムになかったり、 MS-DOS のように深刻なファイル名の長 さ制限があるために、とても面倒である。 bzip2 と bunzip2 はデフォルトでは既存のファイルを上書きしない。上書きし たい場合は -f フラグを指定すること。 ファイル名が指定されない場合、 bzip2 標準入力を圧縮して標準出力に書き出 す。この場合、 bzip2 は圧縮された出力を端末には書き出さない。なぜなら、 この出力は全く分かりにくくて、無駄なものだからである。 bunzip2 ( ま た は bzip2 -d) は、指定された全てのファイルを伸長する。 bzip2 で圧縮されていないファイルは検知され、無視される。さらに警告が 出 される。 bzip2 は、以下のようにして圧縮ファイルの名前から伸長後のファイ ル名を推測する。 filename.bz2 は filename になる。 filename.bz は filename になる。 filename.tbz2 は filename.tar になる。 filename.tbz は filename.tar になる。 anyothername は anyothername.out になる。 ファイル名が .bz2, .bz, .tbz2, .tbz のような認識される拡張子のいずれ か で終っていない場合、 bzip2 は元のファイル名が推測できないという警告を出 し、 .out を付加した名前を元のファイル名として使う。 圧縮の場合と同様に、ファイル名が指定されない場合は、標準入力を伸長し て 標準出力に書き出す。 bunzip2 は 2 つ以上の圧縮ファイルを連結したファイルでも正しく伸長する。 伸長して得られるファイルは、圧縮前のファイルを連結したものになる。連 結 した圧縮ファイルの完全性テスト (-t) もサポートされている。 -c フラグを指定することにより、圧縮・伸長されたファイルを標準出力に書き 出すこともできる。このフラグを指定して、複数のファイルを圧縮・伸長す る こ とができる。結果の出力は標準出力に順番に書き出される。この方式による 複数ファイルの圧縮では、複数圧縮ファイル表現を含むストリームが生成さ れ る 。このようなストリームは、バージョン 0.9.0 以降の bzip2 でしか正しく 伸長できない。これより前のバージョンの bzip2 ではストリーム中の最初のフ ァイルを伸長した後に停止する。 bzcat (または bzip2 -dc) は指定した全てのファイルを伸長し、標準出力に書 き出す。 bzip2 は環境変数 BZIP2, BZIP からこの順番で引き数を読み込み、コマンドラ イ ンから読み込まれた引き数よりも先に処理する。これはデフォルトの引き数 を与える便利な方法である。 圧縮後のファイルが元のファイルより少し大きくなる場合であっても、圧縮 は 常に行われる。 100 バイトより小さいぐらいのファイルは、圧縮によって大き くなる傾向がある。なぜなら、この圧縮メカニズムが定常的に 50 バイトの オ ーバーヘッドを持つためである。 (大部分のファイル圧縮法による出力を含む) ランダムなデータは、 1 バイト当たり約 8.05 ビットでコード化 さ れ 、 約 0.5% 大きくなる。 デ ータ保護のための自己チェックとして、 bzip2 は 32 ビット CRC を破損し たファイルを元のファイルと同じにするために使う。これにより、圧縮デー タ の 破損とまだ見つかっていない bzip2 のバグ (とても少ないことを期待する) からデータを保護することができる。データの破損が検知されない確率は非 常 に少なく、各ファイル処理につき 40 億回に 1 回程度である。しかし、このチ ェックは伸長のときにしか行われないので、何か間違いがあることを知らせ る だ けである点に注意すること。オリジナルの圧縮されていないデータを復元す る助けにはならない。破損したファイルからデータを復元する た め に は 、 bzip2recover を使うことができる。 返 り値: 正常終了の場合、0 が返される。実行環境の問題 (ファイルがない・ 不正なフラグ・ I/O エラーなど) がある場合、1 が返される。破損した圧縮フ ァイルの場合、2 が返される。 bzip2 にパニックを引き起こす内部整合性エラ ー (例えば、バグ) の場合、3 が返される。 オプション -c --stdout 圧縮・伸長した結果を標準出力に書き出す。 -d --decompress ファイルの伸長をさせる。 bzip2, bunzip2, bzcat は実際には同じ プ ログラムである。どの動作をするのかは、どの名前が使われたかに基づ いて決められる。このフラグは、その動作決定機構より優 先 さ れ 、 bzip2 にファイルの伸長をさせる。 -z --compress -d の反対。起動された名前にかかわらず、ファイルの圧縮をさせる。 -t --test 指定されたファイルの完全性のチェックをするが、伸長はしない。伸長 テストを行い、結果を破棄する。 -f --force 出力ファイルの上書きをさせる。通常、 bzip2 は既存の出力ファイ ル を 上書きしない。さらに bzip2 にファイルへのハードリンクを削除さ せる。このオプションが指定されていない場合は、ハードリンクの削除 もされない。 通 常 bzip2 は正しいマジックヘッダバイトを持たないファイルを伸長 しない。ただし (-f) で強制すれば、これらのファイルも修正せずに通 過させる。これは GNU gzip の動作と同じである。 -k --keep 伸長・展開の後でも入力ファイルを保存する (削除しない)。 -s --small 圧 縮・伸長・テストの際のメモリ使用量を減らす。 1 ブロックバイト 当たり 2.5 バイトしか必要としない修正されたアルゴリズムを使っ て 、ファイルの伸長・テストが行われる。全てのファイルが 2300kB のメ モリで伸長できるが、通常の速度の約半分の速度になってしまう。 圧縮の場合、-s フラグを使うと 200kB のブロックサイズが選択される 。メモリ使用量はこれと同じくらいになるが、圧縮率が犠牲になる。つ まり、計算機にメモリが少ない (8 MB 以下) 場合は、全てのファイ ル について -s フラグを使うこと。以下の「メモリ管理」セクションを参 照すること。 -q --quiet 本質的でない警告メッセージを抑制する。 I/O エラーと致命的なイ ベ ントに関係するメッセージは抑制されない。 -v --verbose 詳細表示モード -- 各ファイル処理について圧縮率を表示する。さらに -v の数を増やすと、詳細表示のレベルも上がり、主に診断を目的と す る多くの情報を書き出す。 -L --license -V --version ソフトウェアのバージョン・ライセンス・配布条件を表示する。 -1 (または --fast) から -9 (または --best) 圧縮の場合、ブロックサイズを 100 k, 200 k .. 900 k に設定する。 伸長の場合、何も影響を及ぼさない。以下の「メモリ管理」セクション を 参 照 す ること。 --fast と --best エイリアスは、主として GNU gzip との互換性のためにある。特に --fast オプションで目に見え て 速くなる訳ではない。また --best は単にデフォルトの動作を選択する だけである。 -- これ以降の引き数が、たとえダッシュで始まるものであっても、ファイ ル名として扱う。これにより、ダッシュで始まる名前のファイルを扱う ことができる。例を挙げる: bzip2 -- -myfilename --repetitive-fast --repetitive-best これらのフラグは、バージョン 0.9.5 以降では余計なものである。 こ れらのフラグは、以前のバージョンでソートアルゴリズムの動作を大雑 把に制御するために提供されたもので、時々は役立ったものであ る 。 0.9.5 以降では、これらのフラグが無関係になる改良されたアルゴリズ ムが使われている。 メモリ管理 bzip2 はブロック毎に大きなファイルを圧縮する。ブロックサイズは、実行 さ れ た結果の圧縮率と圧縮・伸長に必要なメモリ使用量の両方に影響を及ぼす。 フラグ -1 から -9 は、それぞれブロックサイズ 100,000 バイトから (デフォ ル トの) 900,000 バイトを指定する。伸長時には、圧縮に使われたブロックサ イズが圧縮ファイルのヘッダから読み込まれ、 bunzip2 はファイルを伸長する の にちょうど十分なメモリを確保する。ブロックサイズは圧縮ファイルに格納 されているので、伸長時にはフラグ -1 から -9 は関係なく無視される。 圧縮・伸縮に必要なメモリ使用量 (バイト単位) は、以下のように計算できる: 圧縮: 400k + ( 8 x ブロックサイズ ) 伸長: 100k + ( 4 x ブロックサイズ ), または 100k + ( 2.5 x ブロックサイズ ) 大 きいブロックサイズにすると、境界の返り値をすぐに減少させる。大部分の 圧縮は、最初の 200kB から 300kB のブロックサイズでつくられる。 bzip2 を メ モリの少ない計算機で使う場合は、このことを覚えておく価値がある。さら に、伸長に必要なメモリは、圧縮時にブロックサイズを選択することで設定 さ れる点を知っておくことも重要である。 デフォルトの 900kB ブロックサイズで圧縮されたファイルに対して、 bunzip2 は伸長時に約 3700kB のメモリを必要とする。 4MB のメモリの計算機でファイ ル伸長をサポートするには、 bunzip2 このメモリ量の約半分、約 2300kB を使 って伸長するオプションがある。伸長速度も半分になるので、このオプショ ン は必要な場合にのみ使うべきである。関連するフラグとして -s がある。 一 般的には、メモリの制限が許す限り一番大きなブロックサイズを使うこと。 こうすることで圧縮率が最も良くなる。圧縮・伸長の速度は事実上ブロック サ イズに影響されない。 他 に重要な点が単一のブロックに適用される。 -- つまり、入手する大部分の ファイルは、大きいブロックサイズを使っているということである。このフ ァ イ ルのサイズはブロックサイズより小さいので、実際のメモリ使用量はファイ ルサイズに比例する。例えば、20,000 バイト (20kB) のファイルを -9 フラグ で 圧 縮 す る 場合、 7600kB のメモリが確保されるが、400k + 20000 * 8 = 560kB しか使用しない。同様に、伸長時には 3700kB が確保されるが、 100k + 20000 * 4 = 180 kB しか使用しない。 異 なるブロックサイズに対しての最大メモリ使用量をまとめたテーブルを以下 に示す。カルガリー大学のテキスト圧縮コーパス (14 個のファイ ル 、 合 計 3,141,622 バイト) を圧縮したサイズも記録されている。行毎に比べると、ブ ロックサイズによって圧縮がどのように変わるかを知ることができる。この 数 字 は、大きなファイルに対して大きなブロックサイズを使うことの利点を、控 え目にしか述べていない。なぜなら、このコーパスが小さめのファイルで占 め られているためである。 圧縮時の 伸長時の -s 伸長時の コーパスの フラグ 使用量 使用量 使用量 サイズ -1 1200k 500k 350k 914704 -2 2000k 900k 600k 877703 -3 2800k 1300k 850k 860338 -4 3600k 1700k 1100k 846899 -5 4400k 2100k 1350k 845160 -6 5200k 2500k 1600k 838626 -7 6100k 2900k 1850k 834096 -8 6800k 3300k 2100k 828642 -9 7600k 3700k 2350k 828642 破損したファイルからのデータ復元 bzip2 は、通常 900kB のブロックでファイルを圧縮する。各ブロックは独立に 操作される。メディアのエラーや転送エラーにより、複数ブロックか ら な る .bz2 ファイルが破損しても、ファイルの破損していないブロックからデータを 復元できる可能性がある。 各ブロックの圧縮された表現は、48 ビットのパターンで区切られる。このパタ ー ンにより、論理的な確実性を持ってブロック境界を見つけることができる。 各ブロックにはそれぞれの 32 ビット CRC があるので、破損したブロックは破 損していないものと区別できる。 bzip2recover は、.bz2 ファイルの各ブロックを検索し、それ独自の .bz2 フ ァイルに各ブロックを書き出す。ユーザーは、 bzip2 -t を使って得られた フ ァイルの完全性をテストし、破損していないファイルとして伸長できる。 bzip2recover は、破損したファイルを唯一の引き数として受け取り、抽出され たブロックを含んだ "rec00001file.bz2", "rec00002file.bz2", ..., とい う 多 くのファイルを書き出す。出力ファイルの名前は、その後の処理でワイルド カードが使えるように設計されている -- 例えば、 "bzip2 -dc rec*file.bz2 > recovered_data" -- とすれば、ファイルを正しい順番で処理することができ る。 大きな .bz2 ファイルには多くのブロックが含まれているので、 bzip2recover は、ほとんどの場合、このようなファイルを扱うために使われる。 1 ブロック が全て破損したブロックは復元できないので、このようなファイルに対して 使 う のは明らかに無駄である。メディアエラーや転送エラーによる潜在的なデー タ損失を少なくしたいなら、小さいブロックサイズで圧縮することを考えた 方 が良い。 性能に関する注意 圧 縮 の ソートフェーズでは、ファイル中の同一の文字列を集める。そのため 、"aabaabaabaab ..." のように (数百回) 同じシンボルが長く繰り返されてい るファイルは、通常のものより圧縮が遅くなる。バージョン 0.9.5 以降では以 前のバージョンに比べると、この点が良くなっている。圧縮時間の最も悪い 場 合と平均の場合の比率は、10:1 の範囲である。以前のバージョンでは、この比 率は 100:1 であった。もし見てみたいなら、-vvvv オプションを使って、詳細 な圧縮過程の進行を見ることができる。 伸長は、この現象に影響されない。 bzip2 は通常、操作のために数メガバイトのメモリを確保し、とてもランダム な方法で確保されたメモリを変更する。これは、「圧縮・伸長の両方の性能 は 、 キャッシュにない場合に計算機が対応する速度に大きく依存する」というこ とを意味する。そのため、キャッシュにない割合を減らすためのちょっとし た コ ードの変更が、非常に大きな性能の向上をもたらしたのを見たことがある。 bzip2 は、非常に大きなキャッシュを持った計算機で、最も良い性能を発揮 す ると考えられる。 警告 I/O エラーのメッセージは、それほど役立たない。 bzip2 は、できるだけ I/O エラーを検知して正しく終了しようとする。しかし、何が問題なのかの詳細 は 、ときどきかなり間違ったものに見える。 この man ページは、バージョン 1.0.2 の bzip2 について述べている。このバ ージョンで生成された圧縮データは、以前のパブリックリリースであるバー ジ ョ ン 0.1pl2, 0.9.0, 0.9.5, 1.0.0, 1.0.1 に対して、前方互換と後方互換が ある。ただし、次のような例外がある: 0.9.0 以降では複数のファイルを連 結 し て圧縮したファイルを伸長できるが、 0.1pl2 では伸長できず、ストリーム の最初にあるファイルを伸長した後に停止する。 このバージョン 1.0.2 以前の bzip2recover は、圧縮ファイルでのビット位置 を 表現するために、32 ビットの整数を使う。そのため 512MB 以上の圧縮ファ イルを扱えない。バージョン 1.0.2 とそれ以前のものでも、サポート可能なプ ラ ットフォーム (GNU がサポートするターゲットと Windows) では、 64 ビッ ト int を使用していた。この制限を付けて bzip2recover がビルドされている かを確認するには、引き数なしで実行すれば良い。少なくとも MaybeUInt64 を 符号なし 64 ビット整数型に設定して再コンパイルすることにより、非制限 バ ージョンをビルドすることができる。 著者 Julian Seward, jseward@acm.org. http://sources.redhat.com/bzip2 bzip2 に含まれているアイディアは、(少なくとも) 以下の方々のおかげであ る: Michael Burrows, David Wheeler (ブロックソート変換), David Wheeler (Huffman コード化についても), Peter Fenwick (オリジナルの bzip における 構造化コード化モデル、そして多くの改良), Alistair Moffat, Radford Neal, Ian Witten (オリジナルの bzip における算術コード化)。私は、彼らの助け・ サポート・助言に対して感謝している。ドキュメントのソースの場所につい て は 、ソース配布の中のマニュアルを参照すること。 Christian von Roques は 、圧縮速度の向上のために、より速いソートアルゴリズムを探すことを勧め て く れ た。 Bela Lubkin は、圧縮速度が最も遅い場合の改良を勧めてくれた。 bz* スクリプトは GNU gzip のものに由来している。多くの方々がパッチを 送 り 、軽便性の問題について助けてくれた。また、計算機を貸してくれたり、ア ドバイスをしてくれた人達もいた。これらは全て助けになった。 bzip2(1)
bzip2(1) bzip2(1) NAME bzip2, bunzip2 - a block-sorting file compressor, v1.0.4 bzcat - decompresses files to stdout bzip2recover - recovers data from damaged bzip2 files SYNOPSIS bzip2 [ -cdfkqstvzVL123456789 ] [ filenames ... ] bunzip2 [ -fkvsVL ] [ filenames ... ] bzcat [ -s ] [ filenames ... ] bzip2recover filename DESCRIPTION bzip2 compresses files using the Burrows-Wheeler block sorting text compression algorithm, and Huffman coding. Compression is generally considerably better than that achieved by more conventional LZ77/LZ78-based compressors, and approaches the performance of the PPM family of statistical compressors. The command-line options are deliberately very similar to those of GNU gzip, but they are not identical. bzip2 expects a list of file names to accompany the command-line flags. Each file is replaced by a compressed version of itself, with the name "original_name.bz2". Each compressed file has the same modification date, permissions, and, when possible, ownership as the corresponding original, so that these properties can be correctly restored at decom- pression time. File name handling is naive in the sense that there is no mechanism for preserving original file names, permissions, owner- ships or dates in filesystems which lack these concepts, or have seri- ous file name length restrictions, such as MS-DOS. bzip2 and bunzip2 will by default not overwrite existing files. If you want this to happen, specify the -f flag. If no file names are specified, bzip2 compresses from standard input to standard output. In this case, bzip2 will decline to write compressed output to a terminal, as this would be entirely incomprehensible and therefore pointless. bunzip2 (or bzip2 -d) decompresses all specified files. Files which were not created by bzip2 will be detected and ignored, and a warning issued. bzip2 attempts to guess the filename for the decompressed file from that of the compressed file as follows: filename.bz2 becomes filename filename.bz becomes filename filename.tbz2 becomes filename.tar filename.tbz becomes filename.tar anyothername becomes anyothername.out If the file does not end in one of the recognised endings, .bz2, .bz, .tbz2 or .tbz, bzip2 complains that it cannot guess the name of the original file, and uses the original name with .out appended. As with compression, supplying no filenames causes decompression from standard input to standard output. bunzip2 will correctly decompress a file which is the concatenation of two or more compressed files. The result is the concatenation of the corresponding uncompressed files. Integrity testing (-t) of concatenated compressed files is also supported. You can also compress or decompress files to the standard output by giving the -c flag. Multiple files may be compressed and decompressed like this. The resulting outputs are fed sequentially to stdout. Com- pression of multiple files in this manner generates a stream containing multiple compressed file representations. Such a stream can be decom- pressed correctly only by bzip2 version 0.9.0 or later. Earlier ver- sions of bzip2 will stop after decompressing the first file in the stream. bzcat (or bzip2 -dc) decompresses all specified files to the standard output. bzip2 will read arguments from the environment variables BZIP2 and BZIP, in that order, and will process them before any arguments read from the command line. This gives a convenient way to supply default arguments. Compression is always performed, even if the compressed file is slightly larger than the original. Files of less than about one hun- dred bytes tend to get larger, since the compression mechanism has a constant overhead in the region of 50 bytes. Random data (including the output of most file compressors) is coded at about 8.05 bits per byte, giving an expansion of around 0.5%. As a self-check for your protection, bzip2 uses 32-bit CRCs to make sure that the decompressed version of a file is identical to the origi- nal. This guards against corruption of the compressed data, and against undetected bugs in bzip2 (hopefully very unlikely). The chances of data corruption going undetected is microscopic, about one chance in four billion for each file processed. Be aware, though, that the check occurs upon decompression, so it can only tell you that some- thing is wrong. It can’t help you recover the original uncompressed data. You can use bzip2recover to try to recover data from damaged files. Return values: 0 for a normal exit, 1 for environmental problems (file not found, invalid flags, I/O errors, &c), 2 to indicate a corrupt com- pressed file, 3 for an internal consistency error (eg, bug) which caused bzip2 to panic. OPTIONS -c --stdout Compress or decompress to standard output. -d --decompress Force decompression. bzip2, bunzip2 and bzcat are really the same program, and the decision about what actions to take is done on the basis of which name is used. This flag overrides that mechanism, and forces bzip2 to decompress. -z --compress The complement to -d: forces compression, regardless of the invocation name. -t --test Check integrity of the specified file(s), but don’t decompress them. This really performs a trial decompression and throws away the result. -f --force Force overwrite of output files. Normally, bzip2 will not over- write existing output files. Also forces bzip2 to break hard links to files, which it otherwise wouldn’t do. bzip2 normally declines to decompress files which don’t have the correct magic header bytes. If forced (-f), however, it will pass such files through unmodified. This is how GNU gzip behaves. -k --keep Keep (don’t delete) input files during compression or decompres- sion. -s --small Reduce memory usage, for compression, decompression and testing. Files are decompressed and tested using a modified algorithm which only requires 2.5 bytes per block byte. This means any file can be decompressed in 2300k of memory, albeit at about half the normal speed. During compression, -s selects a block size of 200k, which lim- its memory use to around the same figure, at the expense of your compression ratio. In short, if your machine is low on memory (8 megabytes or less), use -s for everything. See MEMORY MAN- AGEMENT below. -q --quiet Suppress non-essential warning messages. Messages pertaining to I/O errors and other critical events will not be suppressed. -v --verbose Verbose mode -- show the compression ratio for each file pro- cessed. Further -v’s increase the verbosity level, spewing out lots of information which is primarily of interest for diagnos- tic purposes. -L --license -V --version Display the software version, license terms and conditions. -1 (or --fast) to -9 (or --best) Set the block size to 100 k, 200 k .. 900 k when compressing. Has no effect when decompressing. See MEMORY MANAGEMENT below. The --fast and --best aliases are primarily for GNU gzip compat- ibility. In particular, --fast doesn’t make things signifi- cantly faster. And --best merely selects the default behaviour. -- Treats all subsequent arguments as file names, even if they start with a dash. This is so you can handle files with names beginning with a dash, for example: bzip2 -- -myfilename. --repetitive-fast --repetitive-best These flags are redundant in versions 0.9.5 and above. They provided some coarse control over the behaviour of the sorting algorithm in earlier versions, which was sometimes useful. 0.9.5 and above have an improved algorithm which renders these flags irrelevant. MEMORY MANAGEMENT bzip2 compresses large files in blocks. The block size affects both the compression ratio achieved, and the amount of memory needed for compression and decompression. The flags -1 through -9 specify the block size to be 100,000 bytes through 900,000 bytes (the default) respectively. At decompression time, the block size used for compres- sion is read from the header of the compressed file, and bunzip2 then allocates itself just enough memory to decompress the file. Since block sizes are stored in compressed files, it follows that the flags -1 to -9 are irrelevant to and so ignored during decompression. Compression and decompression requirements, in bytes, can be estimated as: Compression: 400k + ( 8 x block size ) Decompression: 100k + ( 4 x block size ), or 100k + ( 2.5 x block size ) Larger block sizes give rapidly diminishing marginal returns. Most of the compression comes from the first two or three hundred k of block size, a fact worth bearing in mind when using bzip2 on small machines. It is also important to appreciate that the decompression memory requirement is set at compression time by the choice of block size. For files compressed with the default 900k block size, bunzip2 will require about 3700 kbytes to decompress. To support decompression of any file on a 4 megabyte machine, bunzip2 has an option to decompress using approximately half this amount of memory, about 2300 kbytes. Decompression speed is also halved, so you should use this option only where necessary. The relevant flag is -s. In general, try and use the largest block size memory constraints allow, since that maximises the compression achieved. Compression and decompression speed are virtually unaffected by block size. Another significant point applies to files which fit in a single block -- that means most files you’d encounter using a large block size. The amount of real memory touched is proportional to the size of the file, since the file is smaller than a block. For example, compressing a file 20,000 bytes long with the flag -9 will cause the compressor to allocate around 7600k of memory, but only touch 400k + 20000 * 8 = 560 kbytes of it. Similarly, the decompressor will allocate 3700k but only touch 100k + 20000 * 4 = 180 kbytes. Here is a table which summarises the maximum memory usage for different block sizes. Also recorded is the total compressed size for 14 files of the Calgary Text Compression Corpus totalling 3,141,622 bytes. This column gives some feel for how compression varies with block size. These figures tend to understate the advantage of larger block sizes for larger files, since the Corpus is dominated by smaller files. Compress Decompress Decompress Corpus Flag usage usage -s usage Size -1 1200k 500k 350k 914704 -2 2000k 900k 600k 877703 -3 2800k 1300k 850k 860338 -4 3600k 1700k 1100k 846899 -5 4400k 2100k 1350k 845160 -6 5200k 2500k 1600k 838626 -7 6100k 2900k 1850k 834096 -8 6800k 3300k 2100k 828642 -9 7600k 3700k 2350k 828642 RECOVERING DATA FROM DAMAGED FILES bzip2 compresses files in blocks, usually 900kbytes long. Each block is handled independently. If a media or transmission error causes a multi-block .bz2 file to become damaged, it may be possible to recover data from the undamaged blocks in the file. The compressed representation of each block is delimited by a 48-bit pattern, which makes it possible to find the block boundaries with rea- sonable certainty. Each block also carries its own 32-bit CRC, so dam- aged blocks can be distinguished from undamaged ones. bzip2recover is a simple program whose purpose is to search for blocks in .bz2 files, and write each block out into its own .bz2 file. You can then use bzip2 -t to test the integrity of the resulting files, and decompress those which are undamaged. bzip2recover takes a single argument, the name of the damaged file, and writes a number of files "rec00001file.bz2", "rec00002file.bz2", etc, containing the extracted blocks. The output filenames are designed so that the use of wildcards in subsequent processing -- for example, "bzip2 -dc rec*file.bz2 > recovered_data" -- processes the files in the correct order. bzip2recover should be of most use dealing with large .bz2 files, as these will contain many blocks. It is clearly futile to use it on dam- aged single-block files, since a damaged block cannot be recov- ered. If you wish to minimise any potential data loss through media or transmission errors, you might consider compressing with a smaller block size. PERFORMANCE NOTES The sorting phase of compression gathers together similar strings in the file. Because of this, files containing very long runs of repeated symbols, like "aabaabaabaab ..." (repeated several hundred times) may compress more slowly than normal. Versions 0.9.5 and above fare much better than previous versions in this respect. The ratio between worst-case and average-case compression time is in the region of 10:1. For previous versions, this figure was more like 100:1. You can use the -vvvv option to monitor progress in great detail, if you want. Decompression speed is unaffected by these phenomena. bzip2 usually allocates several megabytes of memory to operate in, and then charges all over it in a fairly random fashion. This means that performance, both for compressing and decompressing, is largely deter- mined by the speed at which your machine can service cache misses. Because of this, small changes to the code to reduce the miss rate have been observed to give disproportionately large performance improve- ments. I imagine bzip2 will perform best on machines with very large caches. CAVEATS I/O error messages are not as helpful as they could be. bzip2 tries hard to detect I/O errors and exit cleanly, but the details of what the problem is sometimes seem rather misleading. This manual page pertains to version 1.0.4 of bzip2. Compressed data created by this version is entirely forwards and backwards compatible with the previous public releases, versions 0.1pl2, 0.9.0, 0.9.5, 1.0.0, 1.0.1, 1.0.2 and 1.0.3, but with the following exception: 0.9.0 and above can correctly decompress multiple concatenated compressed files. 0.1pl2 cannot do this; it will stop after decompressing just the first file in the stream. bzip2recover versions prior to 1.0.2 used 32-bit integers to represent bit positions in compressed files, so they could not handle compressed files more than 512 megabytes long. Versions 1.0.2 and above use 64-bit ints on some platforms which support them (GNU supported tar- gets, and Windows). To establish whether or not bzip2recover was built with such a limitation, run it without arguments. In any event you can build yourself an unlimited version if you can recompile it with May- beUInt64 set to be an unsigned 64-bit integer. AUTHOR Julian Seward, jsewardbzip.org. http://www.bzip.org The ideas embodied in bzip2 are due to (at least) the following people: Michael Burrows and David Wheeler (for the block sorting transforma- tion), David Wheeler (again, for the Huffman coder), Peter Fenwick (for the structured coding model in the original bzip, and many refine- ments), and Alistair Moffat, Radford Neal and Ian Witten (for the arithmetic coder in the original bzip). I am much indebted for their help, support and advice. See the manual in the source distribution for pointers to sources of documentation. Christian von Roques encour- aged me to look for faster sorting algorithms, so as to speed up com- pression. Bela Lubkin encouraged me to improve the worst-case compres- sion performance. Donna Robinson XMLised the documentation. The bz* scripts are derived from those of GNU gzip. Many people sent patches, helped with portability problems, lent machines, gave advice and were generally helpful. bzip2(1)
Copyright(C) linux-cmd.com All Rights Reserved. Author Takayuki Yukawa