如何手动构建 gzip 以使压缩文件大于原始文件？

Question

假设有一个 1KB 的文件名为 data.bin，如果可以构造一个 gzip 的 data.bin.gz，但要大得多，怎么办？

理论上，GZIP 格式可以扩大多少？

Answer 1

您可以将其设置为任意大。获取任何 gzip 文件并在以下五个字节中插入任意数量的重复项：00 00 00 ff ff 在 gzip 标头之后和 deflate 数据之前。

Answer 2

总结：

• 带有标题字段/一般结构：效果不受限制，除非遇到软件限制
• 空块：格式规范的无限影响
• 未压缩块：效果限制为 6x
• 压缩块：通过明显的手段，最大效果估计为 1.125 倍，很难实现

---

采用 gzip 格式（RFC1952（元数据）、RFC1951（放气格式）、additional notes for GNU gzip），随心所欲地使用它。

标题

有很多地方可以利用：

• 使用可选字段（原始文件名、文件注释、额外字段）
• 直接追加垃圾（GNU gzip解压时会发出警告）
• 连接多个 gzip 存档（格式允许，生成的未压缩数据同样是连接或所有块）。
  • 一个有趣的副作用（显然是 GNU gzip 中的一个错误）：gzip -l 仅从最后一个块中获取报告的未压缩大小（即使它是垃圾），而不是将所有值相加。因此，您可以使其看起来看起来像存档比原始数据（荒谬地）更大/更小。

这些是立即显而易见的，您也许可以找到其他方法。

数据

“deflate”格式的一般布局是（RFC1951）：

一个压缩数据集由一系列块组成，对应于 输入数据的连续块。块大小是任意的， 除了不可压缩块限制为 65,535 字节。
<...>
每个块由两部分组成：一对霍夫曼代码树 描述压缩数据部分的表示，以及 压缩数据部分。 （霍夫曼树本身是压缩的 使用霍夫曼编码。）压缩数据由一系列 两种类型的元素：文字字节（尚未被 检测为在前 32K 输入字节中重复），以及 指向重复字符串的指针，其中指针表示为 对。中使用的表示 “deflate”格式将距离限制为 32K 字节，长度限制为 258 字节，但不限制块的大小，除了 不可压缩的块，如上所述受到限制。

完整块

00 00 00 ff ff 即 Mark Adler suggests 本质上是一个空的非最终块（RFC1951 第 3.2.3. 节用于第一个字节，3.2.4. 用于未压缩块本身）。
_{顺便说一句，根据gzip overview at the official site和源码，Mark是解压部分的作者……}

未压缩块

使用非空的未压缩块（参见前面的参考部分），您最多可以为每个符号创建一个。因此效果被限制在 6 倍。

压缩块

简而言之：一些通货膨胀是可以实现的，但它非常困难，可实现的效果是有限的。除非你有充分的理由，否则不要在他们身上浪费时间。

在压缩块内（第 3.2.5 节），每个块都是 [<encoded character(8-9 bits>|<encoded chunk length (7-11 bits)><distance back to data(5-18 bits)>]，长度从 3 开始。7-9 位代码明确地解析为文字字符或特定长度范围。较长的代码对应于较大的长度/距离。块之间不允许有空格/无意义的东西。
因此，原始字节块的最大值为 9/8 (1.125x) - 如果 all 原始字节的代码为 144 - 255。
使用引用块对您没有任何好处：即使是对 3 字节序列的引用也最多只能得到 25/24 (1.04x)。

静态霍夫曼表就是这样。查看有关动态文档的文档，它针对特定数据或其他内容优化了上述编码。因此，它应该允许使给定数据的比率更接近可实现的最大值，但仅此而已。