Convertir ZIP a TAR

El ZIP es lo que produce cualquier ordenador sin instalar nada: clic derecho, comprimir, y ya está. El TAR es lo que pide el otro lado, el de las cadenas de compilación, los contextos de construcción de imágenes, los puntos de importación y los scripts escritos contra tar hace veinte años que siguen funcionando porque nadie ha tenido motivo para tocarlos. Casi nadie llega a esta página buscando un formato: llega porque una herramienta rechazó lo que tenía.

Eso decide cómo hay que juzgar el resultado. Medido por cualquier criterio que no sea la compatibilidad, esta conversión empeora el archivo: pesa más, se mueve igual de lento y no es más cómodo de abrir para una persona. Medido por el único criterio que importa aquí, funciona o no funciona según lo acepte el paso siguiente. El ZIP sigue siendo la copia que merece la pena guardar, y el tarball suele ser desechable en cuanto la cadena lo haya consumido.

Esta es la frase que la mayoría de páginas sobre este par se saltan. Un ZIP aplica DEFLATE a cada una de sus entradas; un TAR no aplica nada a nada, y su compresión figura literalmente como ninguna en el registro de esta web. Convertir uno en otro deshace por tanto la compresión y no la sustituye, así que la salida es a menudo varias veces la entrada.

El multiplicador depende por completo de qué había dentro. Código fuente, exportaciones en CSV, registros y XML se comprimen muy bien, de modo que deshacerlo sale caro y el crecimiento puede ser de varias veces. Un ZIP lleno de JPEG, de MP4 o de PDF apenas cambia de tamaño, porque ese contenido ya venía comprimido antes de archivarse y el ZIP casi no estaba haciendo nada. Conviene saber en cuál de los dos casos estás antes de que la descarga te sorprenda, sobre todo si el tarball tiene que cruzar después una red.

Un TAR es un flujo de bloques de 512 bytes de tamaño fijo. Cada miembro recibe un bloque de encabezado con su nombre, su tamaño, su modo y su fecha, después su contenido redondeado hacia arriba al siguiente múltiplo de 512, y el archivo termina con dos bloques de ceros. No hay índice, ni tabla de compresión, ni directorio central en ninguna parte.

Donde eso se nota es en los conjuntos de muchos archivos diminutos. Quinientos ficheros de un kilobyte cuestan como mínimo un encabezado y dos bloques de contenido cada uno, de modo que solo el relleno ya es medible. Es una de las razones por las que un TAR de un árbol de código se ve raramente grande al lado del ZIP del que salió, con independencia de la compresión que se ha quitado por el camino.

El aviso que llevan los treinta y seis pares de comprimidos de esta web es exacto: los archivos salen byte a byte iguales, y lo que no sobrevive es lo que el contenedor sabía sobre ellos y no lo que había dentro de ellos. Una contraseña, y en algunos formatos los permisos y las marcas de tiempo originales.

Un TAR sí sabe anotar un modo, un usuario y un grupo por miembro, y esa capacidad es justamente por lo que las herramientas de Unix quieren tarballs. Lo que no puede es inventarse valores que nunca llegaron hasta él: los modos de tu salida vienen de la extracción hecha en nuestro conversor, no de la máquina donde vivían los archivos originalmente. Trátalos como no especificados y ponlos a mano después de extraer. El permiso de ejecución de un script es la víctima habitual, y falla de una forma que parece un problema del script.

Un encabezado ustar guarda el nombre en un campo de bytes y no dice en qué codificación está. No hay un campo donde poner “esto es UTF-8”, así que un nombre con eñe o con tilde llega al otro extremo como la secuencia de bytes que sea, y quien lo extraiga lo interpretará según lo que su sistema dé por supuesto. Por eso, si en tus nombres hay acentos, merece la pena abrir el tarball y mirar el listado antes de pasárselo a nadie, en vez de dar por hecho que están bien.

Donde esta web sí tiene una respuesta cerrada es en su propio ZIP: cuando conviertes varios archivos de una vez, los resultados vuelven en un ZIP escrito aquí, que guarda los nombres en UTF-8 y además enciende el bit de la cabecera que lo declara, sin el cual una eñe llega convertida en galimatías. Es un detalle de tres líneas de código y es exactamente el detalle que se nota en español y no se nota en inglés.

Para guardar cosas mucho tiempo, el TAR tiene una propiedad que los formatos comprimidos no tienen: el daño no se propaga. Una zona corrompida en un tarball sin comprimir cuesta los archivos de esa zona, y todo lo que viene después se sigue pudiendo leer, porque la estructura no es más que encabezados y contenido en fila sin ningún estado compartido entre miembros. Una herramienta que recorra los bloques puede saltarse el destrozo y continuar.

Un comprimido perdona mucho menos. Un byte malo al principio de un flujo puede costar todo lo que venga detrás, porque cada referencia posterior depende de haber descodificado bien lo anterior. Ese es el argumento honesto para guardar un TAR plano al lado de una copia comprimida y no en lugar de ella: el comprimido para mover, el plano para sobrevivir. Y es un motivo para querer esta conversión completamente distinto del motivo con el que llega casi todo el mundo.

El registro marca los archivos grandes como problema conocido del TAR, y la razón está en el encabezado: el formato ustar original guarda el tamaño en un campo octal de doce caracteres, que no puede expresar nada por encima de 8 GiB, y el nombre en un campo de cien caracteres con un prefijo de ciento cincuenta y cinco. Rutas largas y miembros enormes eran las dos cosas que se rompían.

Las extensiones modernas resuelven ambas y las herramientas actuales las escriben por omisión, así que casi nadie se topa hoy con ninguno de los dos límites. En la capa gratuita de aquí ni siquiera se pueden alcanzar, porque el tope de 25 MB de entrada llega mucho antes que el del formato. Pero es el motivo por el que sigues encontrando en internet consejos sobre partir tarballs, escritos cuando aquello sí pasaba.

Buena parte de la gente que busca este par necesita en realidad un tarball comprimido, porque es lo que decía la instrucción que estaba siguiendo. Si el destino es una descarga, un artefacto de publicación o cualquier cosa que viaje, el TAR desnudo es la mitad equivocada de la respuesta y hace que una conexión lenta parezca averiada.

Convertir el ZIP directamente a GZ produce justo lo que hace falta. Todos los destinos de flujo único de esta web —GZ, BZ2 y XZ— se construyen empaquetando el contenido en un tar y comprimiéndolo después, que es lo que el convenio .tar.gz ha significado siempre. Pide TAR cuando una herramienta quiera un tarball desnudo; pide GZ o XZ cuando el archivo lo vaya a descargar una persona.

Reempaquetar comprimidos necesita una máquina de verdad, así que este par viaja. El archivo sube cifrado, se escribe en un directorio de trabajo creado para ese encargo y se guarda ahí con el nombre input.zip, de modo que el nombre que tú le habías puesto no llega a tocar el disco. Se extrae, se vuelve a empaquetar como tarball desde dentro del directorio extraído —para que el archivo contenga tus ficheros y no una carpeta que los contiene— y se devuelve.

Ese directorio se borra al terminar el trabajo, también por todos los caminos de error, porque el borrado está en el bloque final y no en el camino feliz. El contenedor no tiene salida a internet, el resultado vuelve marcado para no guardarse en caché, y en el despliegue no hay base de datos ni almacén de objetos donde algo pudiera quedarse. Lo único que no se puede afirmar en absoluto son los registros: parte de la salida de error de las herramientas se registra, y aunque el nombre de tu archivo no puede aparecer ahí, los nombres de dentro del comprimido podrían.

Los topes de la capa gratuita para este par son 25 MB por archivo subido y cien conversiones de servidor por visitante y día contadas por día UTC, con un máximo de ráfaga de cinco peticiones por minuto. El límite de tamaño se mide sobre lo que mandas, no sobre lo que descargas, y en este par concreto esas dos cifras son muy distintas.

Antes de escribir nada en disco se le pregunta al ZIP cuánto dice contener, y un total declarado por encima de dos gibibytes se rechaza sin extraer un solo byte. Un ZIP con contraseña se detiene enseguida y a propósito: al extractor se le pasa una contraseña vacía precisamente para que falle en lugar de quedarse esperando delante de una petición que no tiene dónde aparecer. Y el corte de sesenta segundos se aplica a cada proceso que se lanza, no a la petición completa: una conversión de comprimido lanza varios en cadena, así que una petición puede pasar legítimamente del minuto sin que nada haya ido mal.

Si el archivo se lo vas a mandar a una persona, no lo conviertas. El ZIP se abre con doble clic en cualquier sistema operativo sin instalar nada, y el TAR obliga a la mitad de los destinatarios a buscar un programa. Convertir en ese caso te cuesta tamaño y le cuesta tiempo a la otra parte, sin ganancia por ninguno de los dos lados.

Y si lo que quieres es que ocupe menos, este par tampoco es la respuesta: es el único de la familia de comprimidos donde la salida es de forma fiable mayor que la entrada. Para ocupar menos, el destino es XZ o 7Z. El TAR es la respuesta a una pregunta sobre compatibilidad, y contestarla bien significa aceptar que el archivo va a crecer.