tar (computación)

El registro de encabezado de archivo contiene metadatos sobre el archivo. Para garantizar la portabilidad entre diferentes arquitecturas con distintos ordenamientos de bytes , la información del registro de encabezado se codifica en ASCII . Por lo tanto, si todos los archivos de un archivo comprimido son archivos de texto ASCII y tienen nombres ASCII, entonces el archivo comprimido es esencialmente un archivo de texto ASCII (que contiene muchos caracteres NUL ).

Los campos definidos por el formato tar original de Unix se enumeran en la tabla siguiente. La tabla de indicadores de enlace/tipos de archivo incluye algunas extensiones modernas. Cuando un campo no se utiliza, se rellena con bytes nulos. El encabezado utiliza 257 bytes y luego se rellena con bytes nulos para completar un registro de 512 bytes. No hay ningún número mágico en el encabezado para la identificación del archivo.

Encabezado tar anterior a POSIX.1-1988 (es decir, v7):

El campo indicador de enlace anterior a POSIX.1-1988 puede tener los siguientes valores:

Algunas implementaciones de tar anteriores a POSIX.1-1988 indicaban un directorio añadiendo una barra diagonal (/) al final del nombre.

Los valores numéricos se codifican como números octales utilizando dígitos ASCII, con ceros a la izquierda. Si bien esta elección puede parecer contraintuitiva en la actualidad, donde generalmente se prefiere la notación hexadecimal de cuatro bits debido a que los tamaños de registro y los anchos de dirección en las computadoras casi siempre son potencias de dos y los bytes se han estandarizado como octetos , Unix se desarrolló originalmente para el PDP-7 , que utiliza una CPU de 18 bits y un código de caracteres de seis bits , lo que hace que la notación octal de tres bits sea más conveniente.

Por razones históricas, también se debe usar un carácter NUL o espacio al final . Por lo tanto, aunque hay 12 bytes reservados para almacenar el tamaño del archivo, solo se pueden almacenar 11 dígitos octales. Esto da un tamaño máximo de archivo de 8 gigabytes en archivos archivados. Para superar esta limitación, en 2001 star introdujo una codificación base-256 que se indica estableciendo el bit de orden superior del byte más a la izquierda de un campo numérico. GNU-tar y BSD-tar siguieron esta idea. Además, las versiones de tar anteriores al primer estándar POSIX de 1988 rellenan los valores con espacios en lugar de ceros.

La suma de verificación se calcula sumando los valores de los bytes sin signo del registro de encabezado, considerando los ocho bytes de la suma de verificación como espacios ASCII (valor decimal 32). Se almacena como un número octal de seis dígitos con ceros iniciales, seguido de un carácter nulo y un espacio. Algunas implementaciones no siguen este formato. Además, algunas implementaciones antiguas de tar trataban los bytes como si tuvieran signo. Normalmente, las implementaciones calculan la suma de verificación en ambos sentidos y la consideran válida si la suma, ya sea con signo o sin signo, coincide con la suma de verificación incluida.

Los sistemas de archivos Unix admiten múltiples enlaces (nombres) para un mismo archivo. Si varios de estos archivos aparecen en un archivo tar, solo el primero se archiva como un archivo normal; los demás se archivan como enlaces duros, con el campo "nombre del archivo enlazado" configurado con el nombre del primero. Al extraer el archivo, estos enlaces duros deben recrearse en el sistema de archivos.

La mayoría de los programas tar modernos leen y escriben archivos en formato UStar ( Unix Standard TAR ^{[ 8 ] [ 16 ]} ), introducido por el estándar POSIX IEEE P1003.1 en 1988. Este estándar introdujo campos de encabezado adicionales. Los programas tar más antiguos ignoran la información adicional (lo que puede provocar la extracción de archivos con nombres incompletos), mientras que los programas más recientes comprueban la presencia de la cadena "ustar" para determinar si se está utilizando el nuevo formato.

El formato UStar permite nombres de archivo más largos y almacena información adicional sobre cada archivo. El tamaño máximo del nombre de archivo es de 255 caracteres, pero se divide entre un prefijo de ruta precedente y el nombre de archivo propiamente dicho, por lo que puede ser mucho menor. ^{[ 17 ]}

El campo de indicador de tipo puede tener los siguientes valores:

Las extensiones específicas del proveedor POSIX.1-1988 que utilizan los valores de indicador de enlace 'A'–'Z' tienen un significado parcialmente diferente según el proveedor y, por lo tanto, se consideran obsoletas y se reemplazan por las extensiones POSIX.1-2001 que también incluyen una etiqueta de proveedor.

El tipo '7' (archivo contiguo) está formalmente marcado como reservado en el estándar POSIX, pero su propósito original era indicar archivos que debían asignarse de forma contigua en el disco. Pocos sistemas operativos admiten la creación explícita de este tipo de archivos, por lo que la mayoría de los programas tar no los admiten y tratan los archivos de tipo 7 como si fueran de tipo 0 (normales). Una excepción son las versiones antiguas de GNU tar, cuando se ejecutan en el sistema operativo MASSCOMP RTU (Real Time Unix), que admitían la bandera O_CTG en la función open() para solicitar un archivo contiguo; sin embargo, esta compatibilidad se eliminó a partir de la versión 1.24 de GNU tar.

En 1997, Sun propuso un método para añadir extensiones al formato tar. Este método fue posteriormente aceptado para el estándar POSIX.1-2001. Este formato se conoce como formato tar extendido o formato pax . El nuevo formato tar permite a los usuarios añadir cualquier tipo de mejoras específicas del proveedor, etiquetadas según su marca. El estándar POSIX define las siguientes etiquetas:

• atime , mtime : todas las marcas de tiempo de un archivo con resolución arbitraria (la mayoría de las implementaciones utilizan una granularidad de nanosegundos).
• ruta : nombres de ruta de longitud ilimitada y codificación de conjunto de caracteres
• linkpath : nombres de destino de enlaces simbólicos de longitud y codificación de conjunto de caracteres ilimitadas.
• uname , gname : nombres de usuario y grupo de longitud y codificación de caracteres ilimitadas.
• Tamaño : archivos de tamaño ilimitado (el formato tar histórico es de 8 GB).
• uid , gid : userid y groupid sin limitación de tamaño (el formato tar histórico está limitado a un id máximo de 2097151).
• una definición de conjunto de caracteres para nombres de ruta y nombres de usuario/grupo ( UTF-8 )

En 2001, el programa Star se convirtió en el primer tar en admitir el nuevo formato. En 2004, GNU tar admitió el nuevo formato, ^{[ 18 ]} aunque todavía no lo escribe como su salida predeterminada del programa tar. ^{[ 19 ]}

El formato pax está diseñado para que todas las implementaciones capaces de leer el formato UStar también puedan leer el formato pax. Las únicas excepciones son los archivos que utilizan características extendidas, como nombres de archivo más largos. Para garantizar la compatibilidad, estos se codifican en los archivos tar como archivos especiales xo gde tipo, normalmente dentro de un PaxHeaders.XXXXdirectorio. ^{[ 20 ] : exthdr.name} Una implementación compatible con pax utilizaría la información, mientras que las que no lo admiten, como 7-Zip, la procesarían como archivos adicionales. ^{[ 21 ]}

tar [-opciones] <nombre del archivo tar> [archivos o directorios que se añadirán al archivo] Opciones básicas:

• -c, --create— crear un nuevo archivo;
• -a, --auto-compress — además, comprime el archivo con un compresor que se determinará automáticamente por la extensión del nombre del archivo. Si el nombre del archivo termina con *.tar.gzentonces usa gzip , si *.tar.xzentonces usa xz , *.tar.zstpara Zstandard , etc.;
• -r, --append— agregar archivos al final de un archivo comprimido;
• -x, --extract, --get— extraer archivos de un archivo comprimido;
• -f, --file— especifique el nombre del archivo;
• -t, --list— muestra una lista de archivos y carpetas en el archivo comprimido;
• -v, --verbose— muestra una lista de los archivos procesados.

Cree un archivo comprimido archive.tara partir del archivo README.txty el directorio src:

$ tar -cvf archive.tar README.txt src 

Extrae el contenido del archivo archive.taren el directorio actual:

$ tar -xvf archivo.tar 

Crea un archivo comprimido archive.tar.gza partir del archivo README.txty el directorio srcy comprímelo con gzip  :

$ tar -cavf archive.tar.gz README.txt src 

Extrae el contenido del archivo archive.tar.gzen el directorio actual:

$ tar -xvf archivo.tar.gz 

Un tarpipe es el método para escribir un archivo en la salida estándar y enviarlo a otro proceso tar en su entrada estándar , que trabaja en otro directorio, donde se descomprime. Este proceso copia todo el árbol de directorios de origen, incluidos todos los archivos especiales, por ejemplo:

$ alquitrán cf - srcdir | tar x -C directorio de destino 

El formato tar se sigue utilizando ampliamente para la distribución de software de código abierto . Las distribuciones *NIX lo utilizan en diversos mecanismos de distribución de paquetes binarios y de código fuente, y la mayor parte del código fuente del software se distribuye en archivos tar comprimidos.

Debido al tamaño del campo , el formato tar original no podía almacenar rutas y nombres de archivos que superaran los 100 caracteres.

Para superar este problema y, al mismo tiempo, mantener la legibilidad por parte de las utilidades tar existentes , GNU tar almacena las rutas y nombres de archivos que superan los 100 caracteres en @LongLinkentradas que las utilidades tar que desconocen esta característica considerarían archivos ordinarios. ^{[ 25 ]} De manera similar, el formato PAX utiliza PaxHeadersentradas. ^{[ 26 ]}

Muchas implementaciones antiguas de tar no registran ni restauran atributos extendidos (xattrs) ni listas de control de acceso (ACL). En 2001, Star introdujo soporte para ACL y atributos extendidos, a través de sus propias etiquetas para POSIX.1-2001 pax. bsdtar utiliza las extensiones de Star para admitir ACL. ^{[ 27 ]} Las versiones más recientes de GNU tar admiten atributos extendidos de Linux, reimplementando las extensiones de Star. ^{[ 28 ]} Varias extensiones se revisan en el manual de tipos de archivo para BSD tar, tar(5). ^{[ 27 ]}

Un tarbomb , en la jerga hacker , es un archivo tar que contiene una gran cantidad de elementos cuyo contenido se escribe en el directorio actual o en algún otro directorio existente al descomprimirlo, en lugar del directorio creado por el tar específicamente para los archivos extraídos. ^{[ 29 ]} En el mejor de los casos, resulta un inconveniente para el usuario, quien se ve obligado a identificar y eliminar varios archivos intercalados con el resto del contenido del directorio. Este comportamiento se considera una falta de ética por parte del creador del archivo.

Un problema relacionado es el uso de rutas absolutas o referencias a directorios padre al crear archivos tar. Los archivos extraídos de dichos archivos a menudo se crean en ubicaciones inusuales fuera del directorio de trabajo y, como un tarbomb, tienen el potencial de sobrescribir archivos existentes. Sin embargo, las versiones modernas de FreeBSD y GNU tar no crean ni extraen rutas absolutas ni referencias a directorios padre por defecto, a menos que se permita explícitamente con la bandera -Po la opción --absolute-names. El programa bsdtar, que también está disponible en muchos sistemas operativos y es la implementación tar predeterminada en Mac OS X v10.6, tampoco sigue las referencias a directorios padre ni los enlaces simbólicos. ^{[ 30 ]}

Si un usuario solo dispone de un archivo tar muy antiguo que no incluye esas medidas de seguridad, estos problemas pueden mitigarse examinando primero el archivo tar con el comando tar tf archive.tar, que muestra su contenido y permite excluir los archivos problemáticos posteriormente. Estos comandos no extraen ningún archivo, sino que muestran los nombres de todos los archivos del archivo comprimido. Si alguno es problemático, el usuario puede crear un nuevo directorio vacío y extraer el archivo comprimido en él, o bien evitar el archivo tar por completo. La mayoría de las herramientas gráficas pueden mostrar el contenido del archivo comprimido antes de extraerlo. Vim puede abrir archivos tar y mostrar su contenido. GNU Emacs también puede abrir un archivo tar y mostrar su contenido en un búfer dired .

El formato tar se diseñó sin un índice centralizado ni una tabla de contenido para los archivos y sus propiedades, con el fin de facilitar su transmisión a dispositivos de copia de seguridad en cinta. En su lugar, los metadatos de cada archivo (como el nombre, el tamaño y la fecha y hora) se almacenan en una cabecera antes de cada archivo. El archivo comprimido debe leerse secuencialmente para listar o extraer archivos. Para archivos tar grandes, esto supone una penalización en el rendimiento, lo que hace que los archivos tar no sean adecuados para situaciones que requieren con frecuencia acceso aleatorio a archivos individuales.

A su vez, este diseño hace que los archivos tar sean resistentes a los daños causados ​​por partes faltantes, tanto en forma de archivos digitales como de cintas físicas. Un archivo tar truncado con partes faltantes en ambos extremos aún permite recuperar las partes que no faltan, incluidas las rutas de archivo, los nombres de archivo y los metadatos, comenzando desde el primer encabezado tar que no falta. ^{[ 31 ]}

Con un archivo tar bien formado almacenado en un medio con capacidad de búsqueda (es decir, que permite lecturas aleatorias eficientes), el tarprograma aún puede buscar un archivo con relativa rapidez (en tiempo lineal con respecto al número de archivos) omitiendo lecturas de archivos según el campo "size" en los encabezados de archivo. Esta es la base de la opción -nen GNU tar. Cuando un archivo tar se comprime por completo, el formato de compresión, al no ser generalmente con capacidad de búsqueda, impide que se realice esta optimización. ^{[ 32 ]} Para mantener la capacidad de búsqueda, los archivos tar también deben concatenarse correctamente, eliminando el bloque de ceros final al final de cada archivo. ^{[ 33 ]}

Otro problema del formato tar es que permite que varios archivos (posiblemente diferentes) dentro del archivo comprimido tengan rutas y nombres idénticos. Al extraer dicho archivo, normalmente la última versión sobrescribe la anterior.

Esto puede crear una bomba tar no explícita (poco obvia), que técnicamente no contiene archivos con rutas absolutas ni que hagan referencia a directorios superiores, pero que aun así provoca la sobrescritura de archivos fuera del directorio actual (por ejemplo, un archivo comprimido puede contener dos archivos con la misma ruta y nombre de archivo, el primero de los cuales es un enlace simbólico a alguna ubicación fuera del directorio actual, y el segundo es un archivo regular; entonces, extraer dicho archivo comprimido en algunas implementaciones de tar puede provocar la escritura en la ubicación a la que apunta el enlace simbólico).