كيف يعمل الضغط داخل ملفات EPUB و DOCX و XLSX و PPTX

إذا قمت بإعادة تسمية ملف .docx أو .xlsx أو .pptx أو .epub إلى .zip ثم نقرت عليه مزدوجًا، يحدث شيء مفاجئ: لا يُظهر خطأ. نظام التشغيل يفتح الملف كمجلد يحتوي على دلائل فرعية، ملفات تكوين XML، أوراق أنماط، خطوط، وصور مدمجة.

تخلت بنى المستندات الحديثة عن الكتل الثنائية الضخمة منذ عقود. بدلاً من ذلك، اعتمدت معايير الصناعة—وتحديدًا Open Packaging Conventions (OPC) لـ Microsoft Office و Open Container Format (OCF) لـ EPUB—أساسًا أنيقًا بشكل مفاجئ: أرشيف ZIP المتواضع.

فهم كيفية عمل الضغط داخل هذه الصيغ يكشف لماذا تكون المستندات الحديثة قوية وخفيفة الوزن وقابلة للتوسيع — ولماذا يتم ضغط بعض الملفات بنسبة 90٪ بينما لا يتقلص البعض الآخر تقريبًا على الإطلاق.

1. بنية الحاوية: حزم ZIP متخفية

قبل فهم خوارزمية الضغط نفسها، من المفيد أن نفهم لماذا تُنظم صيغ المستندات الحديثة كحزم بدلاً من ملفات خام مستقلة.

2. المشكلة مع صيغ الثنائي القديمة

على مدار التسعينيات وأوائل الألفينات، استخدم Microsoft Office صيغًا ثنائية مملوكة (.doc, .xls, .ppt). كانت هذه الملفات في الأساس تفريغًا للذاكرة مُنظمة حول Compound File Binary Format (CFBF). وكانت معروفة بهشاشتها الشديدة:

• يمكن لتقليب بت واحد أن يفسد هيكل الملف بالكامل.
• تسبب تضمين الصور في تضخم حجم الملفات بشكل غير متوقع.
• تطلب التحليل عكس هندسة مواصفات ثنائية كثيفة.
• كان التوافق عبر الأنظمة منصة كابوسًا.

3. التحول إلى حاويات مفتوحة ومجزأة

في منتصف العقد الأول من الألفية الثانية، حدث تطوران متوازيان:

1. Office Open XML (OOXML / ISO/IEC 29500): قدمت مايكروسوفت الصيغ المستندة إلى XML التي تنتهي بـ x (DOCX، XLSX، PPTX). في الخلفية، تتبع هذه الملفات Open Packaging Conventions (OPC).
2. EPUB (IDPF / W3C): انتقل النشر الرقمي بعيدًا عن صيغ القارئ المملوكة إلى تقنيات الويب القياسية (HTML، CSS، SVG) المجمعة داخل EPUB Open Container Format (OCF).

كل من البنيتين يعتمدان على PKZIP 2.0 / مواصفة ZIP القياسية. امتداد الملف يحدد ببساطة المخطط المتوقع، وتطبيق المشاهد الافتراضي، وإعلانات نوع MIME.

Sample DOCX File (Unzipped):
├── [Content_Types].xml        <-- Registry of MIME types for parts
├── _rels/                     <-- Package-level relationships
│   └── .rels
├── docProps/                  <-- Core and extended metadata
│   ├── app.xml
│   └── core.xml
└── word/                      <-- Main content payload
    ├── document.xml           <-- Text, paragraphs, and tags
    ├── styles.xml             <-- Typography and presets
    ├── numbering.xml          <-- Lists and counters
    ├── media/                 <-- Embedded images (PNG, JPG)
    └── _rels/
        └── document.xml.rels  <-- Internal hyperlinks & resource pointers

4. المحرك تحت الغطاء: خوارزمية DEFLATE

عند حفظ تطبيق برمجي لملف DOCX أو EPUB، لا يقوم فقط بتخزين الملفات في أرشيف غير مضغوط. بل يضغط الأصول الداخلية باستخدام DEFLATE (المحددة في RFC 1951).

DEFLATE هو نظام ضغط غير فقداني من طبقتين يجمع بين خوارزميتين أساسيتين في علم الحاسوب:

5. الخطوة 1: LZ77 (Lempel-Ziv 1977) — إزالة التكرار عبر نافذة انزلاقية

XML وHTML متفانيتان للغاية. فكر في مدى تكرار ظهور الوسوم في ملف document.xml أو chapter1.xhtml القياسي:

• <w:p><w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t> يتكرر آلاف المرات في Word.
• row r="1" spans="1:15"><c r="A1" t="s"><v> يتكرر في Excel عبر عشرات الآلاف من الخلايا.
• <p class="calibre1"><span class="body-text"> يتكرر عبر فصول كتب EPUB.

يقوم LZ77 بمسح تدفق البيانات باستخدام نافذة قاموس متحركة (عادةً 32 كيلوبايت). عندما يصادف سلسلة من الأحرف التي رأها مؤخرًا، يستبدل النص المكرر بمؤشر خلفي صغير:

• (distance, length) — على سبيل المثال، “ارجع 142 بايت، انسخ 28 بايت”.

بدلاً من تخزين العلامات التفصيلية مرارًا وتكرارًا، يقوم LZ77 بدمج آلاف العلامات المتكررة في XML إلى مراجع إحداثية مدمجة.

6. الخطوة 2: ترميز هوفمان — ترميز التردد بطول متغير

بعد أن يستبدل LZ77 السلاسل الزائدة برموز الطول‑المسافة، ترميز هوفمان يحلل تكرار كل رمز في التدفق:

• الرموز التي تظهر بشكل متكرر (مثل الأحرف الشائعة e، t، المسافات، أو علامات المسافة الشائعة) تُعطى رموزًا ثنائية قصيرة (على سبيل المثال، 2 إلى 4 بتات).
• الرموز التي تُستخدم نادرًا تحصل على رموز ثنائية أطول (على سبيل المثال، 12 إلى 16 بت).

النتيجة هي تدفق من رموز البت ذات الطول المتغير التي تضغط XML النص العادي بنسبة 75% إلى 88%.

7. تحليل كل تنسيق على حدة: كيف يتعامل كل منهما مع الضغط

بينما تستخدم DOCX و XLSX و PPTX و EPUB جميعها نفس حزمة ZIP، إلا أن خصائص البيانات الداخلية تختلف بشكل كبير.

8. أ. DOCX: موازنة النص والتنسيق

• ما يحتويه: XML عادي (word/document.xml)، جداول الخطوط، الأنماط، كتالوجات العلاقات، ومجلد word/media/.
• كيف يعمل الضغط:
  • النص الخام وعلامات XML يحققان نسب ضغط هائلة (غالبًا ما ينخفض من 5 ميغابايت من XML الخام إلى 500 كيلوبايت).
  • ومع ذلك، غالبًا ما تتضمن المستندات الحديثة لقطات شاشة، رسومات توضيحية، وصور. نظرًا لأن ملفات JPEG و PNG مضغوطة بالفعل، لا يمكن لـ DEFLATE تقليل حجمها أكثر. في الواقع، تشغيل DEFLATE على صورة مضغوطة مسبقًا ينتج توفيرًا شبه صفر في المئة (ويمكن أن يزيد الحجم قليلًا بسبب رؤوس الضغط).
  • وبالتالي، تكون ملفات DOCX بدون صور صغيرة جدًا، بينما تعكس التقارير التي تحتوي على الكثير من الصور تقريبًا الحجم الفعلي لملفات الصور المضمنة.

B. XLSX: بيانات رقمية عالية الحجم & سلاسل مشتركة

تقدم جداول البيانات تحديًا فريدًا: يمكن للورقة أن تحتوي على مئات الآلاف من الصفوف، مما يؤدي إلى أحجام ملفات XML فلكية إذا لم يتم التعامل معها بذكاء.

• استراتيجية السلاسل المشتركة (xl/sharedStrings.xml):
  • إذا ظهر تسمية نصية مثل “United States” أو “In Progress” 50,000 مرة في جدول بيانات، فإن تخزين <c t="inlineStr"><is><t>United States</t></is></c> في 50,000 خلية سيؤدي إلى تضخم XML غير المضغوط إلى جيجابايت.
  • يقوم Excel بإزالة التكرار للنص قبل الضغط عن طريق تخزين كل سلسلة فريدة مرة واحدة في جدول السلاسل المشتركة والإشارة إليها بواسطة فهرس رقمي (مثال: <v>0</v>، <v>1</v>).
• لماذا يضغط XLSX بشكل كبير:
  • سجلات الصفوف الرقمية (sheet1.xml) تتبع بنية متكررة ومتوقعة.
  • يكتشف DEFLATE بسهولة الأنماط المتكررة في XML الجدولي. من الشائع أن ينخفض ملف sheet1.xml الخام بحجم 120 ميغابايت إلى أقل من 6 ميغابايت داخل أرشيف XLSX.

C. PPTX: عروض شرائح ذات وسائط ثقيلة

العروض التقديمية تختلف جوهريًا عن المستندات وجداول البيانات:

• معضلة الصورة: عادةً ما تكون ملفات PPTX مهيمنة عليها الأشكال المتجهية، والرسومات الخلفية، ومقاطع الفيديو، والشرائح عالية الدقة.
• ملف الضغط: بينما ppt/slides/slide1.xml إلى slideN.xml يتم ضغطها بكفاءة، فإن حمولة الوسائط (ppt/media/) تمثل من 85% إلى 95% من الوزن الكلي للأرشيف.
• لماذا إعادة ضغط ملف PPTX لا يغيّر شيئًا: إذا حاولت ضغط ملف PPTX محفوظ مسبقًا باستخدام 7-Zip أو WinRAR، ستلاحظ تقريبًا عدم تقليل الحجم. لأن المحتوى الداخلي هو بالفعل أرشيف ZIP مضغوط بـ DEFLATE يحتوي على صور JPEG وفيديوهات MP4 مضغوطة مسبقًا، فإن الإنتروبيا بالفعل قريبة من الحد الأقصى.

D. EPUB: تقنيات الويب مع رأس غير مضغوط إلزامي

ملف EPUB هو في الأساس موقع ويب صغير مستجيب ومعبأ يحتوي على فصول XHTML، أوراق أنماط CSS، خطوط TTF/WOFF، وبيانات تعريفية. ومع ذلك، يحتوي EPUB على قاعدة تعبئة صارمة واحدة تميّزه عن ملفات Microsoft Office:

EPUB Internal Structure:
├── mimetype                    <-- MUST be uncompressed (Stored) & at byte offset 38
├── META-INF/
│   └── container.xml           <-- Tells reader where the OPF manifest lives
└── OEBPS/ (or EPUB/)
    ├── content.opf             <-- Manifest of all book assets
    ├── toc.ncx / nav.xhtml     <-- Table of contents navigation
    ├── styles/style.css        <-- CSS formatting
    ├── images/                 <-- Book cover & illustrations
    └── text/                   <-- chapter1.xhtml, chapter2.xhtml

• ملف mimetype السحري:
  • تحتاج القارئات الإلكترونية إلى التعرف على ملف EPUB فورًا دون استخراج الأرشيف بالكامل أو تشغيل خطوط فك الضغط.
  • تنص صيغة الحاوية المفتوحة (OCF) على أن ملف mimetype:
    1. يجب أن يكون أول ملف في أرشيف ZIP.
    2. يجب أن يحتوي بالضبط على السلسلة application/epub+zip.
    3. يجب ألا يتم ضغطه (طريقة ضغط ZIP 0 / “مخزن”).
    4. يجب ألا يحتوي على بيانات حقول إضافية، مما يضمن أن سلسلة MIME تبدأ دائمًا عند البايت 38 من الملف الفعلي.
• ضغط النص: جميع الملفات المتبقية (.xhtml, .css, .opf) يتم ضغطها باستخدام DEFLATE القياسي (طريقة ZIP 8)، مما يسمح للروايات الكاملة الطول أن تتقلص إلى بضع مئات من الكيلوبايت.

4. مقارنة الضغط بين الصيغ

5. استنتاجات عملية: كيفية تحسين مستنداتك

نظرًا لأنك الآن تعرف كيف يعمل التعبئة الداخلية، يمكنك الاستفادة من آليات الضغط لحل المشكلات الواقعية:

1. إصلاح المستندات التالفة: إذا رفض مستند ما الفتح، فإن تغيير الامتداد إلى .zip يتيح لك استخراج المحتويات واستعادة النص الخام من document.xml أو الفصول الفردية من دليل text/ الخاص بـ EPUB.
2. تقليل حجم ملفات Office الضخمة: نظرًا لأن ضغط XML مُحسّن بالفعل، فإن الملفات الضخمة تحدث تقريبًا دائمًا بسبب الصور غير المُحسّنة في media/. بدلاً من استخدام ضواغط PDF أو DOCX من طرف ثالث، افتح حاوية ZIP، استخرج الصور، قم بتمريرها عبر محسن صور (مثل WebP أو TinyPNG أو MozJPEG)، واستبدلها داخل الأرشيف.
3. أتمتة إنشاء المستندات: لا يحتاج المطورون إلى حزم مكتبية ثقيلة لإنشاء التقارير. يمكنك إنشاء قوالب XML خام، وتجميعها باستخدام مكتبات zlib/ZIP القياسية، وإنتاج ملفات DOCX أو XLSX صالحة برمجيًا في غضون ملليثوان.

6. الأسئلة المتكررة (FAQ)

هل يمكنني تحويل ملف DOCX أو EPUB إلى ملف ZIP مجرد إعادة تسمية امتداد الملف؟ نعم؛ إعادة تسمية الامتداد إلى .zip تسمح لأي أداة أرشفة قياسية (مثل 7-Zip أو macOS Archive Utility أو Windows Explorer) بفتح وفحص الملفات الداخلية مباشرة.

لماذا لا يؤدي ضغط ملف DOCX أو PPTX باستخدام 7-Zip إلى جعله أصغر بشكل ملحوظ؟ لأن الملف هو بالفعل أرشيف ZIP مضغوط داخليًا يحتوي على XML مُشفّر بـ DEFLATE وصور مُضغطّة مسبقًا، مما يترك حدًا أدنى من التكرار لتقوم أداة خارجية بإزالته.

لماذا تتطلب مواصفة EPUB أن يكون ملف mimetype غير مضغوط؟ يسمح ذلك لبرمجيات القارئ الإلكتروني بالتحقق من أن الملف EPUB أصلي عن طريق فحص سلسلة MIME عند إزاحة بايت ثابتة دون الحاجة إلى تشغيل محرك فك الضغط.

هل يؤدي تغيير تنسيق الخلايا في Excel إلى زيادة حجم ملف XLSX المضغوط؟ نعم؛ التنسيق المخصص المكثف يكسر تكرار الأنماط المتجانسة عبر الخلايا، مما ينتج تعريفات XML أطول تقلل من كفاءة ضغط DEFLATE.

هل من الممكن استخراج الصور الأصلية عالية الدقة من ملف Word أو PowerPoint دون فقدان الجودة؟ نعم؛ أعد تسمية الملف إلى .zip، افتح مجلد word/media أو ppt/media، وستجد الصور الأصلية غير المضغوطة تمامًا كما تم إدراجها.

انظر أيضًا

• تنسيقات ملفات الضغط على FileFormat.com
• قنابل ZIP – تفجير التخزين الخاص بك
• فهم تنسيق ملف 7z - دليل شامل والأسئلة المتكررة
• أفضل 7 أدوات لفتح أو استخراج ملفات RAR