Подтвердить что ты не робот

Почему мой С# gzip создает более крупный файл, чем Fiddler или PHP?

Если я GZip этот текст:

Hello World

через С#, используя этот код:

Stream stream = new MemoryStream(Encoding.Default.GetBytes("Hello World"));
var compressedMemoryStream = new MemoryStream();
using (var gzipStream = new GZipStream(compressedMemoryStream, CompressionMode.Compress))
{
    stream.CopyTo(gzipStream);  
    gzipStream.Close(); 
} 

результирующий поток длиной 133 байта

Выполняя ту же строку через Fiddler Utilities.GzipCompress или эту страницу PHP, результат составляет всего 31 байт.

В обоих случаях ввод составляет 11 байтов, поэтому я бы предположил, что результат PHP правильный, но, очевидно, это означает, что я не могу распаковать PHP-почтовый индекс из .NET или наоборот. Почему вывод .NET намного больше?


На самом деле получается, что в то время как результат PHP и Fiddler имеет ту же длину, что и они не совпадают. Я могу распаковать PHP-версию в .NET, но не версию Fiddler. Страница PHP распаковывает все три, так что, похоже, может быть несовместимость между реализацией giddip и .NET.


В соответствии с запросом я загрузил три выхода в dropbox здесь.

И это шестнадцатеричные шестнадцатеричные файлы этих файлов (не уверен, что они действительно так используются, но я думаю, что это показывает, что разница между скриптом и версией PHP находится в заголовке, а не в самих сжатых данных)

Скрипач:

0000-0010:  1f 8b 08 00-c2 e6 ff 4f-00 ff f3 48-cd c9 c9 57  .......O ...H...W
0000-001f:  08 cf 2f ca-49 01 00 56-b1 17 4a 0b-00 00 00     ../.I..V ..J....

PHP:

0000-0010:  1f 8b 08 00-00 00 00 00-00 03 f3 48-cd c9 c9 57  ........ ...H...W
0000-001f:  08 cf 2f ca-49 01 00 56-b1 17 4a 0b-00 00 00     ../.I..V ..J....

С#:

0000-0010:  1f 8b 08 00-00 00 00 00-04 00 ec bd-07 60 1c 49  ........ .....`.I
0000-0020:  96 25 26 2f-6d ca 7b 7f-4a f5 4a d7-e0 74 a1 08  .%&/m.{. J.J..t..
0000-0030:  80 60 13 24-d8 90 40 10-ec c1 88 cd-e6 92 ec 1d  .`[email protected] ........
0000-0040:  69 47 23 29-ab 2a 81 ca-65 56 65 5d-66 16 40 cc  iG#).*.. eVe][email protected]
0000-0050:  ed 9d bc f7-de 7b ef bd-f7 de 7b ef-bd f7 ba 3b  .....{.. ..{....;
0000-0060:  9d 4e 27 f7-df ff 3f 5c-66 64 01 6c-f6 ce 4a da  .N'...?\ fd.l..J.
0000-0070:  c9 9e 21 80-aa c8 1f 3f-7e 7c 1f 3f-22 be 9d 97  ..!....? ~|.?"...
0000-0080:  65 95 7e b7-aa cb d9 ff-13 00 00 ff-ff 56 b1 17  e.~..... .....V..
0000-0085:  4a 0b 00 00-00
4b9b3361

Ответ 1

Предисловие: пользователи .NET не должны использовать классы GZipStream или DeflateStream, предоставленные Microsoft, ни при каких обстоятельствах, если Microsoft не заменит их полностью тем, что работает. Используйте DotNetZip library.

Обновление до предисловия:.NET Framework 4.5 и более поздние исправили проблему сжатия, а GZipStream и DeflateStream используют zlib в этих версиях. Я не знаю, исправлена ​​ли проблема CRC, указанная ниже.

Другое обновление: проблема CRC не только не исправлена, но Microsoft решила, что они не будут исправлять ее!

Это одна из нескольких ошибок в GZipStream. Никакой уважающий себя gzip-компрессор никогда не должен генерировать 133 байта вывода из 11 байтов ввода. См. Мои комментарии в Почему BCL GZipStream (с StreamReader) не надежно обнаруживает ошибки данных с помощью CRC32?.

Что происходит внутри, так это то, что GZipStream не использует статические или хранимые методы, оба из которых будут создавать сжатые данные того же размера, что и входные данные (поверх которых будут добавлены 18 байт заголовка и трейлера gzip), Вместо этого он использует динамический метод, который создает очень большой заголовок дескриптора кода для очень небольшого количества кодов. Это просто ошибка/очень плохая реализация.

Update:

С шестнадцатеричными дампами я могу дать некоторый анализ. Во-первых, и вывод Fiddler, и php являются правильными и правильными. Единственное различие между ними заключается в заголовке gzip, в частности, методе времени, установленном в Fiddler, но не в php, а исходная операционная система установлена ​​в php, но не в Fiddler. Для обоих 13 байтов сжатых данных идентичны и могут быть представлены как (используя мою infgen program для демонтажа потоков дефляции):

last
static
literal 'Hello World
end

что точно так, как должно быть. Один статический блок, который не требует дескрипторов кода и просто кодирует все байты как литералы. (Нет совпадений предыдущих строк с длинами и расстояниями.)

Выход GZipStream, с другой стороны, является ужасным беспорядком несколькими способами. Сжатые данные:

dynamic
code 3 5
code 4 5
code 5 4
code 6 4
code 7 4
code 8 3
code 9 3
code 10 4
code 11 4
code 12 4
code 13 4
code 14 3
code 16 3
litlen 0 14
litlen 1 14
litlen 2 14
litlen 3 14
litlen 4 14
litlen 5 14
litlen 6 14
litlen 7 14
litlen 8 14
litlen 9 12
litlen 10 6
litlen 11 14
litlen 12 14
litlen 13 14
litlen 14 14
litlen 15 14
litlen 16 14
litlen 17 14
litlen 18 14
litlen 19 14
litlen 20 14
litlen 21 14
litlen 22 14
litlen 23 14
litlen 24 14
litlen 25 14
litlen 26 14
litlen 27 14
litlen 28 14
litlen 29 14
litlen 30 13
litlen 31 14
litlen 32 6
litlen 33 14
litlen 34 10
litlen 35 12
litlen 36 14
litlen 37 14
litlen 38 13
litlen 39 10
litlen 40 8
litlen 41 9
litlen 42 11
litlen 43 10
litlen 44 7
litlen 45 8
litlen 46 7
litlen 47 9
litlen 48 8
litlen 49 8
litlen 50 8
litlen 51 9
litlen 52 8
litlen 53 9
litlen 54 10
litlen 55 9
litlen 56 8
litlen 57 9
litlen 58 9
litlen 59 8
litlen 60 9
litlen 61 10
litlen 62 8
litlen 63 14
litlen 64 14
litlen 65 8
litlen 66 9
litlen 67 8
litlen 68 9
litlen 69 8
litlen 70 9
litlen 71 10
litlen 72 11
litlen 73 8
litlen 74 11
litlen 75 14
litlen 76 9
litlen 77 10
litlen 78 9
litlen 79 10
litlen 80 9
litlen 81 12
litlen 82 9
litlen 83 9
litlen 84 9
litlen 85 10
litlen 86 12
litlen 87 11
litlen 88 14
litlen 89 14
litlen 90 12
litlen 91 11
litlen 92 14
litlen 93 11
litlen 94 14
litlen 95 14
litlen 96 14
litlen 97 6
litlen 98 7
litlen 99 7
litlen 100 7
litlen 101 6
litlen 102 8
litlen 103 8
litlen 104 7
litlen 105 6
litlen 106 12
litlen 107 9
litlen 108 6
litlen 109 7
litlen 110 7
litlen 111 6
litlen 112 7
litlen 113 13
litlen 114 6
litlen 115 6
litlen 116 6
litlen 117 7
litlen 118 8
litlen 119 8
litlen 120 9
litlen 121 8
litlen 122 11
litlen 123 13
litlen 124 12
litlen 125 13
litlen 126 13
litlen 127 14
litlen 128 14
litlen 129 14
litlen 130 14
litlen 131 14
litlen 132 14
litlen 133 14
litlen 134 14
litlen 135 14
litlen 136 14
litlen 137 14
litlen 138 14
litlen 139 14
litlen 140 14
litlen 141 14
litlen 142 14
litlen 143 14
litlen 144 14
litlen 145 14
litlen 146 14
litlen 147 14
litlen 148 14
litlen 149 14
litlen 150 14
litlen 151 14
litlen 152 14
litlen 153 14
litlen 154 14
litlen 155 14
litlen 156 14
litlen 157 14
litlen 158 14
litlen 159 14
litlen 160 14
litlen 161 14
litlen 162 14
litlen 163 14
litlen 164 14
litlen 165 14
litlen 166 14
litlen 167 14
litlen 168 14
litlen 169 14
litlen 170 14
litlen 171 14
litlen 172 14
litlen 173 14
litlen 174 14
litlen 175 14
litlen 176 14
litlen 177 14
litlen 178 14
litlen 179 14
litlen 180 14
litlen 181 14
litlen 182 14
litlen 183 14
litlen 184 14
litlen 185 14
litlen 186 14
litlen 187 14
litlen 188 14
litlen 189 14
litlen 190 14
litlen 191 14
litlen 192 14
litlen 193 14
litlen 194 14
litlen 195 14
litlen 196 14
litlen 197 14
litlen 198 14
litlen 199 14
litlen 200 14
litlen 201 14
litlen 202 14
litlen 203 14
litlen 204 14
litlen 205 14
litlen 206 14
litlen 207 14
litlen 208 14
litlen 209 14
litlen 210 14
litlen 211 14
litlen 212 14
litlen 213 14
litlen 214 14
litlen 215 14
litlen 216 14
litlen 217 14
litlen 218 14
litlen 219 14
litlen 220 14
litlen 221 14
litlen 222 14
litlen 223 14
litlen 224 14
litlen 225 14
litlen 226 14
litlen 227 14
litlen 228 14
litlen 229 14
litlen 230 14
litlen 231 14
litlen 232 14
litlen 233 14
litlen 234 14
litlen 235 14
litlen 236 14
litlen 237 14
litlen 238 14
litlen 239 14
litlen 240 14
litlen 241 14
litlen 242 14
litlen 243 13
litlen 244 13
litlen 245 13
litlen 246 14
litlen 247 13
litlen 248 14
litlen 249 13
litlen 250 14
litlen 251 13
litlen 252 14
litlen 253 14
litlen 254 14
litlen 255 14
litlen 256 14
litlen 257 4
litlen 258 3
litlen 259 4
litlen 260 4
litlen 261 4
litlen 262 5
litlen 263 5
litlen 264 5
litlen 265 5
litlen 266 5
litlen 267 6
litlen 268 6
litlen 269 5
litlen 270 6
litlen 271 7
litlen 272 8
litlen 273 8
litlen 274 9
litlen 275 10
litlen 276 9
litlen 277 10
litlen 278 12
litlen 279 11
litlen 280 12
litlen 281 14
litlen 282 14
litlen 283 14
litlen 284 12
litlen 285 11
dist 0 6
dist 1 10
dist 2 11
dist 3 11
dist 4 9
dist 5 8
dist 6 8
dist 7 8
dist 8 7
dist 9 7
dist 10 5
dist 11 6
dist 12 4
dist 13 5
dist 14 4
dist 15 5
dist 16 4
dist 17 5
dist 18 4
dist 19 4
dist 20 4
dist 21 4
dist 22 4
dist 23 4
dist 24 4
dist 25 5
dist 26 4
dist 27 5
dist 28 5
dist 29 5
literal 'Hello World
end
!
last
stored
end

Итак, что это? Фактические данные - это всего лишь строка в конце "literal" Hello World ", которая просто кодирует каждый байт ввода. Предшествующий ему - это описание набора кодов Хаффмана для литералов, длин и расстояний. Вот что с ним не так:

  • Прежде всего, он не должен использовать динамику вообще. Описание набора кодов занимает около 100 байт. Именно поэтому формат дефляции обеспечивает предопределенный набор кодов, используемых в статических блоках. В этом случае компрессор должен выбрать статический блок (это то, что делают php и Fiddler).
  • Во-вторых, каждый возможный код определен, хотя подавляющее большинство никогда не используется! При использовании динамического блока соответствующий компрессор будет определять только коды для литералов, длин и расстояний, фактически используемых в этом блоке. В этом случае не используются длины или расстояния, и используются только восемь различных литералов (H, e, l, o, space, w, r, d). Вместо этого он переходит к определению 256 буквенных кодов, 29 кодов длин и 30 кодов расстояния. Я предполагаю, что некоторые эксперименты покажут, что динамический заголовок из GZipStream всегда один и тот же, и в этом случае он даже не динамический, что является целым!
  • В-третьих, он бросает ненужный пустой сохраненный блок в конце. Первый блок должен быть помечен как последний блок.

Все это указывает на тот простой факт, что тот, кто написал этот код GZipStream, был, как можно более вежливо, без какого-либо понимания формата дефляции или сжатия в целом. Они решили создать только динамические блоки (за исключением пустого статического блока в конце), чтобы каждый раз создавать один и тот же динамический заголовок (я думаю), побеждая цель динамических блоков и не беспокоиться о том, блок последний, требуя, чтобы пустым блоком был отмечен конец.

Как отмечалось в других местах, это не единственные проблемы с GZipStream. Он даже не может правильно использовать CRC-32 для обнаружения поврежденных потоков.

Неудивительно, что Microsoft не назначила кого-то некомпетентным, чтобы написать компрессор и декомпрессор gzip, но почему они назначили кого-нибудь вообще написать его! Существует свободно доступный код, zlib, который имеет чрезвычайно либеральную лицензию, которая разрешает коммерческое использование без атрибуции. Этот код широко используется почти два десятилетия и делает все, что он должен делать правильно и эффективно. Большинство остальных использует zlib, в том числе php, и я подозреваю также Fiddler.

Ответ 2

GZipStream добавляет 10-байтовый заголовок и 8-байтовый нижний колонтитул к сжатым данным, как описано в спецификации RFC 1952. Это дает результат длиной 133 байта.

Страница с PHP, с которой вы связаны, также добавляет один и тот же 18-байтный заголовок/нижний колонтитул, если его попросят (GZIP-compatible encoding?). Если вы используете это, он дает результат длиной 31 байт.

Без верхнего/нижнего колонтитула разница между ними составляет 125 против 13 байтов.

Ответ 3

Независимо от того, какой контент вы загружаете в GZipStream, вы получаете одинаковые накладные расходы. GZipStream выглядит идентично для первых 108 байт

1f 8b 08 00 00 00 00 00 04 00 ec bd 07 60 1c 49
96 25 26 2f 6d ca 7b 7f 4a f5 4a d7 e0 74 a1 08
80 60 13 24 d8 90 40 10 ec c1 88 cd e6 92 ec 1d
69 47 23 29 ab 2a 81 ca 65 56 65 5d 66 16 40 cc
ed 9d bc f7 de 7b ef bd f7 de 7b ef bd f7 ba 3b
9d 4e 27 f7 df ff 3f 5c 66 64 01 6c f6 ce 4a da 
c9 9e 21 80 aa c8 1f 3f 7e 7c 1f 3f 22 >>>

До 1f 8b 08 00 00 00 00 00 04 00 соответствует стандартным определениям (ttp://www.faqs.org/rfcs/rfc1952.html). Остальная часть фиксированной секции была объяснена @mark-adler в Почему BCL GZipStream (с StreamReader) не надежно обнаруживает ошибки данных с помощью CRC32?

Ответ 4

Частично патенты:

Причина того, что уровень сжатия не так хорош, как с некоторыми другими приложениями, заключается в том, что наиболее эффективные алгоритмы сжатия на рынке защищены патентом..net, с другой стороны, использует непатентованный.

и

Ну, объяснение, которое я получил (от кого-то из MS), когда я спросил то же самое, заключалось в том, что это связано с тем, что Microsoft не могла использовать алгоритм GZip без его модификации; из-за проблем с патентом/лицензированием.

http://social.msdn.microsoft.com/Forums/fr-FR/c5f0b53c-a2d5-4407-b43b-9da8d39c01df/why-do-gzipstream-compression-ratio-so-bad?forum=netfxbcl

Первоначально я подозревал внедрение gzip в Microsoft; Я знал, что они реализовали алгоритм Deflate, который не является самым эффективным, но не содержит патентов.

http://challenge-me.ws/post/2010/11/05/Do-Not-Take-Microsofts-Code-for-Granted.aspx

Ответ 5

Современные инструменты сжатия обычно используют более одной стратегии сжатия. С Winzip и WinRAR и т.д. Вы обычно получаете такие опции, как:

  • Максимальное сжатие
  • Fastest
  • Normal

Если вы должны сделать то же самое, вы, вероятно, сможете сжать файл дальше.