Jak funguje komprese uvnitř EPUB, DOCX, XLSX a PPTX

Pokud přejmenujete soubor .docx, .xlsx, .pptx nebo .epub na .zip a dvojkliknete na něj, stane se něco překvapivého: nevygeneruje chybu. Váš operační systém jej otevře jako složku plnou podadresářů, konfiguračních souborů XML, stylových listů, fontů a vložených obrázků.

Moderní architektury dokumentů opustily monolitické binární bloky před desítkami let. Na jejich místo přišly průmyslové standardy — konkrétně Open Packaging Conventions (OPC) pro Microsoft Office a Open Container Format (OCF) pro EPUB — které přijaly překvapivě elegantní základ: skromný ZIP archiv.

Pochopení toho, jak komprese funguje uvnitř těchto formátů, odhaluje, proč jsou moderní dokumenty tak odolné, lehké a rozšiřitelné — a proč některé soubory se komprimují o 90 %, zatímco jiné téměř vůbec nesestoupí.

1. Architektura kontejneru: maskované balíčky ZIP

Než pochopíme samotný kompresní algoritmus, pomůže pochopit, proč jsou moderní formáty dokumentů strukturovány jako balíčky místo samostatných surových souborů.

Problém se starými binárními formáty

V průběhu 90. let a počátku 2000. let Microsoft Office používal proprietární binární formáty (.doc, .xls, .ppt). Tyto soubory byly v podstatě výpisy paměti strukturované kolem formátu Compound File Binary Format (CFBF). Byly notoricky křehké:

• Jedno překlopení bitu mohlo poškodit celou strukturu souboru.
• Vkládání obrázků způsobovalo nepředvídatelný nárůst velikosti souboru.
• Parsování vyžadovalo reverzní inženýrství hustých binárních specifikací.
• Meziplatformní interoperabilita byla noční můrou.

Přechod na otevřené, modulární kontejnery

V polovině 2000. let proběhly dvě paralelní evoluce:

1. Office Open XML (OOXML / ISO/IEC 29500): Microsoft představil formáty založené na XML končící na x (DOCX, XLSX, PPTX). Vnitřně tyto soubory používají Open Packaging Conventions (OPC).
2. EPUB (IDPF / W3C): Digitální publikování se odklonilo od proprietárních formátů čteček směrem k standardním webovým technologiím (HTML, CSS, SVG) zabaleným v EPUB Open Container Format (OCF).

Obě architektury se opírají o standardní PKZIP 2.0 / ZIP specifikaci. Přípona souboru jednoduše určuje očekávané schéma, výchozí aplikaci pro prohlížení a deklarace mime‑type.

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

2. Motor pod kapotou: algoritmus DEFLATE

Když softwarová aplikace uloží soubor DOCX nebo EPUB, neukládá soubory jen do nekomprimovaného archivu. Komprimuje vnitřní součásti pomocí DEFLATE (specifikováno v RFC 1951).

DEFLATE je dvoustupňový bezztrátový kompresní systém kombinující dva základní algoritmy informatiky:

Krok 1: LZ77 (Lempel-Ziv 1977) — Odstranění redundance pomocí posuvného okna

XML a HTML jsou extrémně verbózní. Zvažte, jak často se značky objevují ve standardním souboru document.xml nebo chapter1.xhtml:

• <w:p><w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t> se v aplikaci Word opakuje tisíckrát.
• row r="1" spans="1:15"><c r="A1" t="s"><v> se opakuje v Excelu napříč desítkami tisíc buněk.
• <p class="calibre1"><span class="body-text"> se opakuje napříč kapitolami knihy EPUB.

LZ77 prohledává datový proud pomocí posuvného slovníkového okna (obvykle 32 KB). Když narazí na řetězec znaků, který nedávno viděl, nahradí duplicitní text malým zpětným ukazatelem:

• (distance, length) — např. „vrátit se o 142 bajtů, zkopírovat 28 bajtů“.

Místo opakovaného ukládání rozsáhlého značkování LZ77 sloučí tisíce opakujících se XML značek do kompaktních souřadnicových odkazů.

Krok 2: Huffmanovo kódování — Kódování frekvence proměnné délky

Po tom, co LZ77 nahradí nadbytečné sekvence tokeny délka‑vzdálenost, Huffmanovo kódování analyzuje četnost každého symbolu v proudu:

• Často se vyskytující symboly (jako běžné znaky e, t, mezery nebo běžné značky vzdálenosti) jsou přiřazeny krátké binární kódy (např. 2 až 4 bity).
• Zřídka používané symboly dostávají delší binární kódy (např. 12 až 16 bitů).

Výsledek je proud proměnlivé délky bitových kódů, které stlačují prostý text XML o 75 % až 88 %.

3. Rozbor formát po formátu: Jak každý zvládá kompresi

Zatímco DOCX, XLSX, PPTX a EPUB všechny používají stejný ZIP obal, jejich vnitřní datové charakteristiky se výrazně liší.

A. DOCX: Vyvažování textu a stylování

• Co je uvnitř: Plain XML (word/document.xml), tabulky fontů, styly, katalogy vztahů a složka word/media/.
• Jak funguje komprese:
  • Surový text a XML značkování dosahují obrovských kompresních poměrů (často klesají z 5 MB surového XML na 500 KB).
  • Moderní dokumenty však často obsahují snímky obrazovky, ilustrace a fotografie. Protože soubory JPEG a PNG jsou již komprimované, DEFLATE je nemůže dále zmenšit. Ve skutečnosti aplikace DEFLATE na již komprimovaný obrázek přináší prakticky 0 % úsporu (a může dokonce mírně zvýšit velikost kvůli kompresním hlavičkám).
  • V důsledku toho jsou soubory DOCX bez obrázků výjimečně malé, zatímco zprávy s mnoha obrázky mají téměř stejnou velikost jako jejich obsažené soubory obrázků.

B. XLSX: Vysokokapacitní číselná data a sdílené řetězce

Tabulky představují jedinečnou výzvu: list může obsahovat stovky tisíc řádků, což vede k astronomickým velikostem XML souborů, pokud se s nimi nepracuje chytře.

• Strategie sdílených řetězců (xl/sharedStrings.xml):
  • Pokud se textová značka jako “United States” nebo “In Progress” objeví 50 000krát v tabulce, uložení <c t="inlineStr"><is><t>United States</t></is></c> do 50 000 buněk by nafoukl nekomprimované XML na gigabajty.
  • Excel před kompresí odstraňuje duplicitní text tím, že každou jedinečnou řetězec uloží jednou do tabulky sdílených řetězců a odkazuje na něj pomocí číselného indexu (např. <v>0</v>, <v>1</v>).
• Proč se XLSX dramaticky komprimuje:
  • Číselné řádkové záznamy (sheet1.xml) mají opakující se, předvídatelnou syntaxi.
  • DEFLATE snadno detekuje opakující se vzory v tabulkovém XML. Je běžné, že surový soubor sheet1.xml o velikosti 120 MB se zmenší na méně než 6 MB uvnitř archivu XLSX.

C. PPTX: Mediálně náročné prezentace

Prezentace jsou zásadně odlišné od dokumentů a tabulek:

• Obrázková dilema: Soubory PPTX jsou typicky ovládány vektorovými tvary, pozadími, video klipy a snímky ve vysokém rozlišení.
• Profil komprese: While ppt/slides/slide1.xml through slideN.xml compress efficiently, the media payload (ppt/media/) accounts for 85% to 95% of the total archive weight.
• Proč opětovné zipování PPTX nic nezmění: If you try to compress an already-saved PPTX file with 7-Zip or WinRAR, you will notice almost no size reduction. Because the interior is already a DEFLATE-compressed ZIP archive containing pre-compressed JPEGs and MP4s, the entropy is already near maximum.

D. EPUB: Webové technologie s povinnou nekomprimovanou hlavičkou

Soubor EPUB je v podstatě responzivní, zabalená mikrowebová stránka obsahující kapitoly v XHTML, styly v CSS, písma TTF/WOFF a metadata. Nicméně EPUB má jedno přísné pravidlo balení, které jej odlišuje od souborů 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

• Magický soubor mimetype:
  • E‑čtečky musí EPUB okamžitě identifikovat, aniž by musely rozbalovat celý archiv nebo spouštět dekompresní pipeline.
  • Formát Open Container (OCF) vyžaduje, aby soubor mimetype:
    1. Musel být první soubor v ZIP archivu.
    2. Musí obsahovat přesně řetězec application/epub+zip.
    3. Nesmí být komprimováno (ZIP compression method 0 / “Uloženo”).
    4. Nesmí obsahovat žádná další data pole, aby řetězec MIME vždy začínal na bajtu 38 fyzického souboru.
• Komprese textu: Všechny zbývající soubory (.xhtml, .css, .opf) jsou komprimovány pomocí standardního DEFLATE (ZIP method 8), což umožňuje, aby se celé romány zmenšily na několik stovek kilobajtů.

4. Porovnání komprese napříč formáty

5. Praktické poznatky: Jak optimalizovat své dokumenty

Protože nyní víte, jak funguje interní balení, můžete využít kompresní mechanismy k řešení reálných problémů:

1. Oprava poškozených dokumentů: Pokud se dokument odmítá otevřít, změna přípony na .zip vám umožní rozbalit obsah a obnovit surový text z document.xml nebo jednotlivé kapitoly z adresáře text/ EPUBu.
2. Zmenšení obrovských Office souborů: Protože komprese XML je již optimalizovaná, obrovské soubory jsou téměř vždy způsobeny neoptimalizovanými obrázky ve složce media/. Místo používání třetích stran PDF nebo DOCX kompresorů otevřete kontejner ZIP, extrahujte obrázky, projděte je optimalizátorem obrázků (např. WebP, TinyPNG nebo MozJPEG) a nahraďte je v archivu.
3. Automatizace generování dokumentů: Vývojáři nepotřebují těžké kancelářské balíky k vytváření zpráv. Můžete generovat surové XML šablony, zabalit je pomocí standardních knihoven zlib/ZIP a programově během milisekund vytvořit platné soubory DOCX nebo XLSX.

6. Často kladené otázky (FAQ)

Mohu převést DOCX nebo EPUB na soubor ZIP pouhým přejmenováním přípony souboru? Ano; přejmenování přípony na .zip umožní jakémukoli standardnímu archivnímu nástroji (např. 7-Zip, macOS Archive Utility nebo Windows Explorer) otevřít a přímo prozkoumat vnitřní soubory.

Proč komprese DOCX nebo PPTX pomocí 7-Zip nevede k výrazně menší velikosti? Protože soubor je již interně komprimovaný ZIP archiv, který obsahuje XML kódované DEFLATE a předkomprimované obrázky, takže zůstává jen minimální nadbytek, který by externí nástroj mohl odstranit.

Proč specifikace EPUB vyžaduje, aby soubor mimetype byl nekomprimovaný? Umožňuje to softwaru pro čtečky e-knih ověřit, že soubor je autentický EPUB, kontrolou řetězce MIME na pevně daném offsetu bajtu, aniž by bylo nutné spouštět dekompresní engine.

Zvyšuje změna formátování buněk v Excelu velikost komprimovaného souboru XLSX? Ano; rozsáhlé vlastní formátování narušuje jednotné opakování vzorů napříč buňkami, což vytváří delší definice XML a snižuje efektivitu komprese DEFLATE.

Je možné extrahovat vysoce rozlišené originální obrázky ze souboru Word nebo PowerPoint bez ztráty kvality? Ano; přejmenujte soubor na .zip, otevřete složku word/media nebo ppt/media a najdete originální, nekomprimované zdrojové obrázky přesně tak, jak byly vloženy.

Viz také

• Formáty souborů komprese na FileFormat.com
• ZIP bomby – výbuch vašeho úložiště
• Porozumění formátu souboru 7z – komplexní průvodce a časté dotazy
• 7 nejlepších nástrojů pro otevření nebo extrakci souborů RAR