上一篇在這里. 這是7z文件格式分析的第三篇, 相信有了前兩篇的准備,你已經了解了7z源碼的大致結構, 以及如何簡單調試7z的源碼了. 很多同學是不是迫不及待想要拔去7z的神秘外衣,看看究竟了. 好, 這就帶你們一探乾坤. 本文開始,我們詳細介紹7z的文件存儲結構.
要了解7z的結構, 當然最好從官方的說明開始, 盡管這個說明非常簡略, 但它的確是我入門時的救命稻草.
打開源碼的 "DOC" 目錄. 這里面就是官方所有的文檔了. 其中只有二個文檔跟結構相關:
1. 7zFormat.txt, 這是我們的主角, 里面介紹了7z文件的大體結構.
2. Methods.txt, 這里面介紹了7z壓縮算法id的編碼規則, 以后會用到.
我們從7zFormat.txt文件開始.
Archive structure
~~~~~~~~~~~~~~~~~
SignatureHeader
[PackedStreams]
[PackedStreamsForHeaders]
[
Header
or
{
Packed Header
HeaderInfo
}
]
上面就是7z文件的總體結構了. 我來稍微解釋一下. 上面的代碼中, 從波浪線往后開始算. 7z的文件結構基本上分為三部分:
1. 前文件頭(就是最前面的header).
2. 壓縮數據.
3. 尾文件頭(就是放在文件末尾的header).
一, 前文件頭就是上圖中的 "SignatureHeader". 它是32個字節定長的. 前文件頭其實記錄的信息很少, 它的主要目的是記錄尾文件頭的位置, 壓縮的主要結構都是存在尾文件頭中.
它的結構如下:
SignatureHeader
~~~~~~~~~~~~~~~
BYTE kSignature[6] = {'7', 'z', 0xBC, 0xAF, 0x27, 0x1C};
ArchiveVersion
{
BYTE Major; // now = 0
BYTE Minor; // now = 2
};
UINT32 StartHeaderCRC;
StartHeader
{
REAL_UINT64 NextHeaderOffset
REAL_UINT64 NextHeaderSize
UINT32 NextHeaderCRC
}
先是固定的6個字節的值, 前兩個字節的值是字母 '7' 和'z' 的ascii值. 后面四個字節是固定的: 0xbc, 0xaf, 0x27, 0x1c
然后是兩個字節的版本號, 注意主版本號在前面, 次版本號在后面. 目前的版本號是: 0.2, 注意這是7z文件格式的版本號, 不是7z軟件的版本號.
然后是四個字節的 UINT32 的值, (注意, 7z的所有數據都是采用小端在前的存儲, 所以要注意這四個字節的實際存儲順序是低位字節在前面, 高位字節在后. 后面的所有數據都是這種結構, 所以以后就不再強調了. ) . 這4個字節的值是做什么的呢? 先拋開這四個字節本身, 前文件頭的32個字節中, 已經用去了 6 + 2 +4 =12 個, 還剩下20個字節. 對了, 這四個字節就是剩下的20個字節的CRC校驗值. 具體的CRC算法源碼, 在源碼中的 "C" 文件夾下的 '7zCrc.c' 和 '7zCrc.h'.
最后這20個字節要一起介紹了. 先是8個字節的UINT64的值, 它記錄的是尾文件頭(上圖中的NextHeader)與前文件頭的距離, 這個距離是不算前面這32個字節頭的, 也就是拋開前面32個字節開始計數的(解壓器通過讀取這個值,然后從第33個字節開始直接跳過這個距離, 就可以找到尾文件頭了). 然后是8個字節的值, 記錄了尾文件頭的大小(解壓的時候, 通過這個值就能讀出尾文件頭的長度了). 最后還有4個字節的值, 它也是一個Crc校驗值, 是整個尾文件頭的校驗值.
這里需要注意的是, 上圖中用的是 "REAL_UINT64" 這個表達方式, 它的意思就是我們通常理解的占8個字節的UInT64的值(當然是小端存儲的啦). 這里用了"real", 真. 那是不是還有"假"的InT64呢. 答案是肯定的. 7z為了兼容壓縮大文件(大於4G),這個問題曾一度是zip文件的噩夢, 早期的zip只能壓縮小於4G的文件, 並且壓縮后的總文件大小也不能超過4G, 后來專門做了標准升級. 好了扯遠了. 7z一早設計就考慮到了大文件的問題, 所以很多地方都必須用int64來表達, 這樣也會帶來一個問題, 就是絕大多數case下, 都不可能超過4G(試問一下,你平時有多少壓縮文件超過4G 呢), 所以呢, 就會造成8個字節的int64根本用不上, 多余的字節浪費了. 尤其在小文件壓縮的時候, 很影響壓縮比. 所以呢, 7z采取了一種巧妙的方法. 就是int64並不是都用8個字節存儲, 它用一種簡單的編碼方式,進行變長存儲. 在這個文件中也有描述:
REAL_UINT64 means real UINT64. UINT64 means real UINT64 encoded with the following scheme: Size of encoding sequence depends from first byte: First_Byte Extra_Bytes Value (binary) 0xxxxxxx : ( xxxxxxx ) 10xxxxxx BYTE y[1] : ( xxxxxx << (8 * 1)) + y 110xxxxx BYTE y[2] : ( xxxxx << (8 * 2)) + y ... 1111110x BYTE y[6] : ( x << (8 * 6)) + y 11111110 BYTE y[7] : y 11111111 BYTE y[8] : y
上面就是編碼方式: 就是根據第一個字節的內容來判斷后面還有多少個字節.
如果第一個字節的最高位是 0, 那后面就沒有字節了. 范圍在 0-127.
如果第一個字節的最高兩位是 1, 0, 表示它后面還有一個字節. 讀取方式是: ( xxxxxx << (8 * 1)) + y
依次類推, 不再詳細介紹了.
它的寫入方法在: \CPP\7zip\Archive\7z\7zOut.cpp 文件的 第204行:
void COutArchive::WriteNumber(UInt64 value)
{
Byte firstByte = 0;
Byte mask = 0x80;
int i;
for (i = 0; i < 8; i++)
{
if (value < ((UInt64(1) << ( 7 * (i + 1)))))
{
firstByte |= Byte(value >> (8 * i));
break;
}
firstByte |= mask;
mask >>= 1;
}
WriteByte(firstByte);
for (;i > 0; i--)
{
WriteByte((Byte)value);
value >>= 8;
}
}
它的讀取方法在: 7zIn.cpp 的第210行:
UInt64 CInByte2::ReadNumber()
{
if (_pos >= _size)
ThrowEndOfData();
Byte firstByte = _buffer[_pos++];
Byte mask = 0x80;
UInt64 value = 0;
for (int i = 0; i < 8; i++)
{
if ((firstByte & mask) == 0)
{
UInt64 highPart = firstByte & (mask - 1);
value += (highPart << (i * 8));
return value;
}
if (_pos >= _size)
ThrowEndOfData();
value |= ((UInt64)_buffer[_pos++] << (8 * i));
mask >>= 1;
}
return value;
}
這里貼出來給大家參考一下. 其實, 后面提到的Uint64如果沒有特別說明是8個字節, 那它都是采用這種壓縮方式存儲的. 但是注意UInt32 無論何時都是占4個字節的, 沒有采用壓縮.
二, 第二部分比較簡單, 它會比較大, 簡單的說, 它就是文件壓縮后的壓縮數據存放地點. 結構如下:
[PackedStreams] [PackedStreamsForHeaders]
簡單的說, 7z會把文件壓縮成若干個"Pack", 就是包的意思, 這里就是按順序存儲這些pack的. 每個pack的位置和大小信息都會記錄在尾header中, 解壓的時候就會從這里讀出pack,然后解壓出來. 這里都是簡單的排布壓縮后的數據, 所以沒有多少細節需要介紹的.
三, 真正復雜的主角出場了, 尾文件頭, 就是7z中所謂的 nextHeader.
Header structure
~~~~~~~~~~~~~~~~
{
ArchiveProperties
AdditionalStreams
{
PackInfo
{
PackPos
NumPackStreams
Sizes[NumPackStreams]
CRCs[NumPackStreams]
}
CodersInfo
{
NumFolders
Folders[NumFolders]
{
NumCoders
CodersInfo[NumCoders]
{
ID
NumInStreams;
NumOutStreams;
PropertiesSize
Properties[PropertiesSize]
}
NumBindPairs
BindPairsInfo[NumBindPairs]
{
InIndex;
OutIndex;
}
PackedIndices
}
UnPackSize[Folders][Folders.NumOutstreams]
CRCs[NumFolders]
}
SubStreamsInfo
{
NumUnPackStreamsInFolders[NumFolders];
UnPackSizes[]
CRCs[]
}
}
MainStreamsInfo
{
(Same as in AdditionalStreams)
}
FilesInfo
{
NumFiles
Properties[]
{
ID
Size
Data
}
}
}
尾header的結構非常復雜, 里面有很多壓縮概念, 如若沒有理解壓縮過程, 單獨的純字節層面介紹是沒有意義的.
我們下一篇開始介紹詳細的7z壓縮流程, 介紹7z是如何把一系列的文件, 壓縮成一個大文件的, 怎樣利用壓縮算放, 怎樣排布文件結構. 同時我們再一邊來介紹這個尾header的結構.
希望大家多多支持, 給我動力寫下去.
歡迎大家訪問我的個人獨立博客: http://byNeil.com
記得頂啊, 小伙伴們.