Convertir TAR a BZ2

Casi todo el que llega aquí es porque se lo han pedido. Una receta de empaquetado lista `.tar.bz2` entre sus fuentes y calcula un resumen criptográfico contra ese archivo. El proceso de publicación de un proyecto lleva produciendo esa extensión desde hace veinte años y la página de descargas, las réplicas y los guiones de compilación de terceros apuntan todos ahí. Un depósito institucional lo especifica en su lista de comprobación. Una herramienta de subida antigua acepta eso y nada más moderno.

Ninguno de esos casos va a cambiar por un archivo, y ninguno se equivoca al resistirse, porque el nombre de un artefacto forma parte de un contrato que otras personas han construido encima. Eso convierte esto en una conversión de cumplimiento, y merece plantearse como tal en vez de disfrazarse de optimización. Si estás eligiendo con libertad y a nadie le importa el formato, la recomendación honesta de esta página es que cierres la pestaña y uses gzip por velocidad o XZ por tamaño.

Bzip2, de 1996, hace algo estructuralmente distinto de sus dos vecinos. Corta la entrada en bloques de hasta 900 KB y aplica a cada uno una transformada de Burrows y Wheeler, que reordena los bytes de manera que los contextos idénticos acaban juntos. Después una pasada de mover al frente y una codificación de Huffman aprietan las repeticiones resultantes. No es en absoluto un compresor de ventana deslizante.

Ese bloque de 900 KB es la comparación justa contra los 32 KB de ventana de gzip: dentro de un bloque, bzip2 ve muchísimo más contexto del que gzip puede ver nunca, y por eso gana sobre texto. Y es también la comparación justa contra el diccionario mucho mayor de XZ, que es donde bzip2 pierde, porque un bloque de 900 KB no puede darse cuenta de que un archivo del principio del paquete se parece a otro del final. Bzip2 está exactamente en medio, y estar en medio es lo que lo ha ido dejando sin sitio.

Comprimir es lento porque la ordenación es cara, y ésa es la parte que se paga una sola vez, en una máquina que no te está esperando. Es llevadero. Descomprimir es la sorpresa: deshacer una ordenación por bloques es trabajo de verdad, a diferencia de deshacer una coincidencia de ventana, así que bzip2 se desempaqueta bastante más despacio que gzip y también más despacio que xz.

Eso lo convierte en mala elección para cualquier cosa que se descargue y se desempaquete una y otra vez. Una dependencia que se baja en cada ejecución de integración continua, una capa de contenedor, un artefacto que recogen cien máquinas: todas ellas pagan el coste de descompresión cada vez. Bzip2 es tolerable para algo que se escribe una vez y se lee una vez, y es caro de verdad para algo que se escribe una vez y se lee continuamente.

La memoria en el momento de descomprimir. Bzip2 trabaja en bloques de como mucho 900 KB, así que el búfer que necesita para desempaquetar es pequeño y fijo por grande que sea el paquete. XZ necesita memoria proporcional al diccionario con el que se escribió el archivo, y si la máquina no puede darla, el archivo directamente no se abre.

Eso importa en menos sitios que antes, pero los sitios son reales: encaminadores y aparatos empotrados, contenedores con la memoria limitada por configuración, entornos de recuperación, un sistema de arranque inicial, una máquina antigua que nadie tiene permiso para actualizar. Si el paquete tiene que abrirse en algo así, bzip2 es una decisión de ingeniería defendible y no una costumbre heredada, y conviene dejarlo escrito en las notas de publicación para que el siguiente no venga a «arreglarlo».

BZ2 comprime exactamente un flujo. No tiene ningún campo para un nombre de archivo, ninguna noción de carpeta y ninguna forma de marcar dónde acaba un miembro y empieza el siguiente. Todo lo que ves al listar un `.tar.bz2` se está leyendo del TAR que hay dentro, y no del bzip2 que lo envuelve.

Así que la conversión desempaqueta lo que le mandes, escribe un TAR nuevo con el contenido y comprime ese TAR con bzip2. El empaquetado se hace desde dentro del directorio extraído, de modo que tus archivos quedan en el primer nivel y no metidos en una carpeta envoltorio. La descarga llega con extensión `.bz2` y conviene renombrarla a `.tar.bz2`, que es a la vez lo exacto y la forma que permite a `tar xjf` resolver las dos capas de una sola orden.

Los bloques de bzip2 se comprimen de forma independiente entre sí, lo que da al formato una propiedad que sus vecinos no tienen: el daño en un bloque no destruye necesariamente todo lo que viene detrás. Existen herramientas que recorren un archivo bzip2 corrupto, localizan los límites de bloque intactos y recuperan lo que sigue siendo legible.

Tómatelo como un consuelo y no como una estrategia. El TAR de dentro es un flujo continuo de cabeceras y datos, así que recuperar unos bloques y otros no te deja un paquete con agujeros, y que de ahí salgan archivos utilizables depende por completo de dónde cayó el daño. Si sobrevivir a la degradación del soporte es un requisito real, la respuesta es un formato con sumas de comprobación por miembro y paridad aparte, no un compresor con un modo de fallo simpático.

La conversión no envuelve bzip2 alrededor del archivo que subiste. Extrae el TAR y escribe uno nuevo, y después lo comprime. Los archivos de dentro salen byte a byte idénticos —esto es un reempaquetado sin pérdida— pero el paquete que los rodea es nuevo, y el orden de los miembros, las marcas de tiempo registradas y los bits de permisos pueden diferir de lo que enviaste.

Para quien viene del mundo del empaquetado, ése es el detalle que decide si esta herramienta le sirve. Si la receta comprueba un resumen del artefacto, el artefacto tiene que producirse de forma determinista en una máquina que controles, fijando el orden y las fechas al crear el TAR. Usa este conversor cuando lo que necesitas es que un `.tar.bz2` exista —para una réplica, para un compañero, para un formulario de subida, para una prueba— y no cuando los bytes exactos forman parte del contrato.

Los archivos salen byte a byte como entraron: eso es lo que significa que el reempaquetado no tenga pérdida, y vale para cualquier contenido, comprimido o no. Lo que no sobrevive es lo que el contenedor sabía sobre ellos en lugar de dentro de ellos.

En concreto: una contraseña, porque BZ2 no tiene cifrado que heredar, y según el formato de origen los permisos originales y las marcas de tiempo. Si el TAR que envías guarda modos de ejecución que importan —guiones de una entrega, un juego de binarios—, compruébalos después de desempaquetar el resultado antes de dar el paquete por bueno.

En nuestro servidor, no en tu navegador. Buena parte de este sitio convierte en tu propio equipo y lo dice; el trabajo con paquetes es una de las excepciones, porque hace falta ejecutar programas de verdad. El archivo viaja por una conexión cifrada hasta un contenedor donde corre 7-Zip, y ese contenedor no tiene salida propia a internet.

Cada trabajo recibe un directorio temporal recién creado, y el archivo se guarda dentro con un nombre derivado de la extensión, así que el nombre que le hubieras puesto tú no llega a escribirse en disco. Al terminar el trabajo se borra el directorio entero, y el borrado está en una cláusula que se ejecuta también cuando la conversión falla. El nivel gratuito acepta 25 MB por archivo subido, un techo que aquí llega antes que en otros pares porque un TAR no está comprimido todavía, y la expansión declarada del paquete está limitada a 2 GiB para que un archivo pequeño no pueda pedir un disco entero.

Cada programa que se lanza en el servidor se corta a los sesenta segundos. Es importante entender que ese límite es por proceso y no por petición: esta conversión mira primero el tamaño declarado del paquete, después lo extrae, después escribe el TAR nuevo y por último lo comprime. Son varios procesos encadenados, así que una petición legítima puede pasar del minuto sin que nada esté fallando.

Donde ese reloj aprieta de verdad es en el último paso, porque comprimir con bzip2 es lento por diseño. Un paquete grande lleno de texto es exactamente la entrada que se toma su tiempo, y si el trabajo se detiene ahí, la salida no es reintentar sino partir el paquete o aceptar gzip.

La única cifra de ratio honesta es la que se mide sobre tus datos, y obtenerla cuesta dos minutos: comprime el mismo TAR como GZ, como BZ2 y como XZ y pon los tres tamaños uno al lado del otro. Sobre un árbol de código o un juego de registros el orden será predecible —XZ el más pequeño, BZ2 después, GZ el mayor— pero las distancias varían enormemente con el contenido, y sobre un paquete de archivos ya comprimidos los tres caen dentro de un margen de redondeo.

Después pesa lo que no se ve en un listado de archivos. ¿Cuántas veces se va a desempaquetar esto, y quién? Gzip si la respuesta es «constantemente, y máquinas». XZ si la respuesta es «casi nunca, y un ordenador normal». BZ2 si algo lo ha especificado por su nombre, o si la máquina del otro extremo tiene muy poca memoria. Elegir bzip2 sólo por su ratio de compresión era una decisión sensata hace veinte años y ha dejado de serlo sin hacer ruido.