在什么情况下 tarball (.tgz) 的大小与原始文件的大小几乎相同

Question

我刚刚使用 .tarball 压缩了一些网站的转储（配置、图像目录、css 目录和网站内容（html 文件等））tar czf sitedump.tgz backup_folder/。原始的“backup_folder”大约有 600MB，压缩包也是如此，只是小了一点。

什么情况对这些压缩格式提出了挑战？在这种情况下，尺寸减小幅度最小的可能原因是什么？焦油版本 1.23

Answer 1

这是一个问题无损数据压缩，即其之一局限性。通常，数据越随机，压缩就越困难，因为压缩基本上是寻找模式并用更少的信息表示它们（您可能认为它能够从句子的开头预测后面的单词）。因此，噪声（几乎）完全不可压缩，而长重复序列可以被很好地压缩。如果您想要的不仅仅是这种挥手，上面提供的链接可能是一个很好的起点。

至于 tarball - 除了数据在文件、磁带档案（即“tar”最初代表的意思）包含文件元数据（通常每个文件有一个或多个 512B 块，具体取决于具体的 tar 风格），并且也被压缩。因此，如果你真的想让它尽可能不可压缩，你需要使用随机文件名、随机用户/组 ID/名称、文件模式，确保包含噪声的文件和文件元数据的大小为512B 块（以防止用零填充）。

存档大得惊人的另一个原因可能是压缩级别较低gzip- 对于独立版本，压缩级别由（无压缩）到（最大压缩）gzip给出，默认值为.-0-9-6

如果您确实想尽可能地压缩它，您可能需要使用不同的算法（以及压缩程序）。xz通常被认为是表现最好的人。

Answer 2

如果您有一个中等规模的网站，除非它有大量用户贡献的内容，否则它可能有几兆字节的 HTML、CSS、JavaScript、PHP 等。这些内容通常可以很好地压缩。

这意味着这些图像大约是 tarball 的 99%。图像已经被压缩，因此再次压缩它们不会减小大小（或者如果它们是不同的压缩算法，则只会减小一点点 - 以非常高的质量因数对 JPEG 图像进行 gzip 压缩可以稍微减小大小）。

假设您有 5MB 的文本和代码，压缩比为 1:3，以及 600MB 的图像，压缩比为 1:1.01。结果是一个 595MB 的存档。

在Linux系统上，您可以运行命令du --exclude='*.jpg' --exclude='*.png' --exclude='*.gif'来累加目录下的文件大小，不包括常见的图像格式。