Miten pakkaus toimii EPUB-, DOCX-, XLSX- ja PPTX-tiedostojen sisällä

Jos nimeät .docx, .xlsx, .pptx tai .epub-tiedoston .zip-muotoon ja kaksoisklikkaat sitä, tapahtuu yllättävä asia: se ei anna virheilmoitusta. Käyttöjärjestelmäsi avaa sen kansiona, joka on täynnä alikansioita, XML-asetustiedostoja, tyylitiedostoja, fontteja ja upotettuja kuvia.

Modernit asiakirjarakenteet hylkäsivät monoliittiset binääripaketit vuosikymmeniä sitten. Niiden tilalle teollisuuden standardit—nimittäin Open Packaging Conventions (OPC) Microsoft Officelle ja Open Container Format (OCF) EPUBille—ottivat käyttöön yllättävän elegantin perustan: nöyrän ZIP-arkiston.

Ymmärtämällä, miten pakkaus toimii näiden formaattien sisällä, paljastuu, miksi modernit asiakirjat ovat niin kestäviä, kevyitä ja laajennettavia—ja miksi jotkut tiedostot pakkaantuvat 90 %:lla, kun taas toiset lähes eivät kutakaan kutistu.

1. Säiliöarkkitehtuuri: Naamioidut ZIP -paketit

Ennen kuin ymmärtää itse pakkausalgoritmin, on hyödyllistä ymmärtää, miksi modernit asiakirjamuodot on rakennettu paketeiksi sen sijaan, että ne olisivat itsenäisiä raak tiedostoja.

2. Ongelma vanhojen binääriformaattien kanssa

1990-luvun ja 2000-luvun alun ajan Microsoft Office käytti omistettuja binääriformaatteja (.doc, .xls, .ppt). Nämä tiedostot olivat käytännössä muistivedoksia, jotka oli rakennettu Compound File Binary Format (CFBF) -rakenteen ympärille. Ne olivat pahamaineisen haavoittuvia:

• Yksi bittivirhe voisi korruptoida koko tiedoston rakenteen.
• Kuvien upottaminen aiheutti tiedostokoon ennakoimattoman kasvun.
• Jäsentäminen vaati tiiviiden binäärimääritysten käänteissuunnittelua.
• Alustojen välinen yhteensopivuus oli painajainen.

3. Siirtyminen avoimiin, modulaarisiin säiliöihin

2000‑luvun puolivälissä tapahtui kaksi rinnakkaista kehitystä:

1. Office Open XML (OOXML / ISO/IEC 29500): Microsoft esitteli XML-pohjaiset formaatit, jotka päättyvät kirjaimeen x (DOCX, XLSX, PPTX). Taustalla nämä tiedostot noudattavat Open Packaging Conventions (OPC) -standardia.
2. EPUB (IDPF / W3C): Digitaalinen julkaiseminen siirtyi suljetuista lukijaformaatteista kohti standardeja web‑tekniikoita (HTML, CSS, SVG), jotka on pakattu EPUB Open Container Format (OCF) -muotoon.

Molemmat arkkitehtuurit perustuvat standardiin PKZIP 2.0 / ZIP -määritykseen. Tiedostopääte määrittää yksinkertaisesti odotetun skeeman, oletusnäytin sovelluksen ja MIME‑tyyppimääritykset.

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. Moottori kapissa: DEFLATE-algoritmi

Kun ohjelmistosovellus tallentaa DOCX- tai EPUB-tiedoston, se ei ainoastaan tallenna tiedostoja pakkaamattomaan arkistoon. Se pakkaa sisäiset resurssit käyttäen DEFLATE‑menetelmää (määritelty RFC 1951:ssa).

DEFLATE on kaksitasoinen häviötön pakkausjärjestelmä, joka yhdistää kaksi perustavanlaatuista tietojenkäsittelytieteen algoritmia:

Vaihe 1: LZ77 (Lempel-Ziv 1977) — Liukuvan ikkunan redundanssin poisto

XML ja HTML ovat erittäin sanavahvoja. Mieti, kuinka usein tunnisteita esiintyy tavallisessa document.xml‑ tai chapter1.xhtml‑tiedostossa:

• <w:p><w:r><w:rPr><w:sz w:val=\"24\"/></w:rPr><w:t> toistuu tuhansia kertoja Wordissa.
• row r=\"1\" spans=\"1:15\"><c r=\"A1\" t=\"s\"><v> toistuu Excelissä kymmeniä tuhansia soluja.
• <p class=\"calibre1\"><span class=\"body-text\"> toistuu EPUB-kirjan luvuissa.

LZ77 skannaa datavirran liukuvan sanakirjasyötteen avulla (yleensä 32 KB). Kun se kohtaa merkkijonon, jonka se on nähnyt äskettäin, se korvaa kaksoiskappaleen pienellä taaksepäin osoittavalla viittauksella:

• (distance, length) — esim. “siirry 142 tavua taaksepäin, kopioi 28 tavua”.

Sen sijaan, että tallennettaisiin monisanaista merkintää yhä uudelleen, LZ77 tiivistää tuhannet toistuvat XML-tunnisteet kompakteiksi koordinaattiviitteiksi.

Vaihe 2: Huffman-koodaus — Muuttuvan pituuden taajuusenkoodaus

Kun LZ77 on korvannut redundanssijonot pituus‑etäisyys‑tokeneilla, Huffman-koodaus analysoi jokaisen symbolin esiintymistiheyttä virrassa:

• Usein esiintyville symboleille (kuten yleisille merkeille e, t, välilyönteille tai yleisille etäisyysmerkkeille) annetaan lyhyet binäärikoodit (esim. 2–4 bittiä).
• Harvoin käytetyille symboleille annetaan pidemmät binäärikoodit (esim. 12–16 bittiä).

Tuloksena on muuttuvan pituuden bittikoodien virta, joka tiivistää tavallisen tekstin XML:n 75 %–88 %.

3. Formaatti kerrallaan -erittely: Kuinka kukin käsittelee pakkausta

Vaikka DOCX-, XLSX-, PPTX- ja EPUB-tiedostot kaikki käyttävät samaa ZIP-arkkitehtuuria, niiden sisäiset datan ominaisuudet poikkeavat toisistaan voimakkaasti.

A. DOCX: Tekstin ja tyylien tasapainottelu

• Mitä sisällä on: Pelkkä XML (word/document.xml), fonttitaulut, tyylit, suhdekatalogit ja word/media/-kansio.
• Miten pakkaus toimii:
  • Raaka teksti ja XML-merkintä saavuttavat valtavat pakkaussuhteet (usein 5 MB:n raak XML:stä pudotetaan 500 KB:iin).
  • Kuitenkin nykyaikaiset asiakirjat sisältävät usein kuvakaappauksia, kuvituksia ja valokuvia. Koska JPEG- ja PNG-tiedostot ovat jo pakattuja, DEFLATE ei voi pienentää niitä enempää. Itse asiassa DEFLATE:n käyttäminen jo pakattuun kuvaan tuottaa käytännössä 0 % säästöä (ja voi jopa hieman kasvattaa kokoa pakkausotsikoiden vuoksi).
  • Tämän seurauksena ilman kuvia olevat DOCX-tiedostot ovat poikkeuksellisen pieniä, kun taas kuvia sisältävät raportit heijastavat lähes tarkalleen sisältyvien kuvien tiedostokokoa.

B. XLSX: Suuri määrä numeerista dataa ja jaettuja merkkijonoja

Taulukot asettavat ainutlaatuisen haasteen: taulukko voi sisältää satoja tuhansia rivejä, mikä johtaa astronomisiin XML-tiedostokokoihin, jos niitä ei käsitellä älykkäästi.

• Jaettu merkkijonostrategia (xl/sharedStrings.xml):
  • Jos teksti­merkintä kuten “United States” tai “In Progress” esiintyy 50 000 kertaa taulukossa, <c t="inlineStr"><is><t>United States</t></is></c> tallentaminen 50 000 soluun paisuttaisi pakkaamattoman XML:n gigatavuiksi.
  • Excel poistaa tekstin duplikaatit ennen pakkausta tallentamalla jokaisen uniikin merkkijonon kerran jaetussa merkkijonotaulussa ja viittaamalla siihen numeerisella indeksillä (esim. <v>0</v>, <v>1</v>).
• Miksi XLSX pakkaa dramaattisesti:
  • Numeraaliset rivitietueet (sheet1.xml) noudattavat toistuvaa, ennustettavaa syntaksia.
  • DEFLATE havaitsee helposti toistuvat kuviot taulukkomuotoisessa XML:ssä. On tavallista, että 120 MB:n raakafile sheet1.xml kutistuu alle 6 MB:iin XLSX-arkistossa.

C. PPTX: Mediaa runsaasti sisältävät diaesitykset

Esitykset eroavat perustavanlaatuisesti asiakirjoista ja taulukoista:

• Kuvien dilemmaa: PPTX-tiedostot ovat tyypillisesti hallitsevia vektorimuotoja, taustakuvia, videoleikkeitä ja korkean resoluution dioja.
• Pak­kausprofiili: Kun ppt/slides/slide1.xml–slideN.xml pakataan tehokkaasti, media‑payload (ppt/media/) muodostaa 85 %–95 % koko arkiston painosta.
• Miksi PPTX:n uudelleenkirjoittaminen ei muuta mitään: Jos yrität pakata jo tallennetun PPTX‑tiedoston 7‑Zipillä tai WinRARilla, huomaat lähes ei koon pienenemistä. Koska sisus on jo DEFLATE‑pakattu ZIP‑arkisto, joka sisältää ennalta pakattuja JPEG‑tiedostoja ja MP4‑tiedostoja, entropia on jo lähes maksimi.

D. EPUB: Web-teknologiat pakollisella pakkaamattomalla otsakkeella

EPUB‑tiedosto on pohjimmiltaan responsiivinen, paketoitu mikro‑verkkosivusto, joka sisältää XHTML‑lukuja, CSS‑tyylitiedostoja, TTF/WOFF‑fontteja ja metatietoja. EPUB:lla on kuitenkin yksi tiukka pakkaussääntö, joka erottaa sen Microsoft Office -tiedostoista:

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

• Taianomainen mimetype‑tiedosto:
  • E‑lukijoiden täytyy tunnistaa EPUB heti ilman koko arkiston purkamista tai purkuputkistojen suorittamista.
  • Open Container Format (OCF) määrää, että mimetype‑tiedosto:
    1. Täytyy olla ZIP‑arkiston aivan ensimmäinen tiedosto.
    2. Täytyy sisältää tarkalleen merkkijono application/epub+zip.
    3. Ei saa olla pakattu (ZIP-pakkausmenetelmä 0 / “Stored”).
    4. Ei saa sisältää ylimääräisiä kenttätietoja, mikä varmistaa, että MIME-merkkijono alkaa aina fyysisen tiedoston tavussa 38.
• Tekstin pakkaus: Kaikki jäljelle jäävät tiedostot (.xhtml, .css, .opf) pakataan käyttäen standardi DEFLATE (ZIP-menetelmä 8), mikä mahdollistaa täysimittaisten romaanien kutistumisen muutamaan sataan kilotavuun.

4. Pakkausten vertailu eri formaateissa

5. Käytännön opit: Kuinka optimoida asiakirjasi

Koska tiedät nyt, miten sisäinen pakkaus toimii, voit hyödyntää pakkausmekaniikkaa ratkaistaksesi todellisia ongelmia:

1. Vaurioituneiden asiakirjojen korjaus: Jos asiakirja kieltäytyy avaamasta, sen tiedostopäätteen muuttaminen .zip:ksi mahdollistaa sisällön purkamisen ja raakatekstin palauttamisen document.xml-tiedostosta tai yksittäisistä luvuista EPUB:n text/-hakemistosta.
2. Jättimäisten Office-tiedostojen pienentäminen: Koska XML-pakkaus on jo optimoitu, jättimäiset tiedostot johtuvat lähes aina optimoimattomista kuvista hakemistossa media/. Sen sijaan, että käyttäisit kolmannen osapuolen PDF- tai DOCX-pakkaimia, avaa ZIP-säiliö, pura kuvat, käsittele ne kuvanoptimointiohjelmalla (kuten WebP, TinyPNG tai MozJPEG) ja korvaa ne arkistossa.
3. Dokumenttien luomisen automatisointi: Kehittäjien ei tarvitse käyttää raskaita toimisto-ohjelmistoja raporttien luomiseen. Voit luoda raakaa XML-malleja, pakata ne standardien zlib/ZIP-kirjastojen avulla ja tuottaa kelvollisia DOCX- tai XLSX-tiedostoja ohjelmallisesti millisekunneissa.

6. Usein kysytyt kysymykset (FAQ)

Voinko muuntaa DOCX- tai EPUB-tiedoston ZIP-tiedostoksi pelkästään tiedostopäätettä vaihtamalla? Kyllä; tiedostopäätteen vaihtaminen .zip-ksi mahdollistaa minkä tahansa standardin arkistotyökalun (kuten 7-Zip, macOS Archive Utility tai Windows Explorer) avata ja tarkastella sisäisiä tiedostoja suoraan.

Miksi DOCX- tai PPTX-tiedoston pakkaaminen 7-Zipillä ei tee siitä merkittävästi pienempää? Koska tiedosto on jo sisäisesti pakattu ZIP-arkisto, joka sisältää DEFLATE-koodattua XML:ää ja ennalta pakattuja kuvia, jolloin ulkoiselle työkalulle jää vain vähän redundanssia poistettavaksi.

Miksi EPUB-määritys vaatii mimetype-tiedoston olevan pakkaamaton? Se mahdollistaa e-lukijaohjelmiston tarkistaa, että tiedosto on aito EPUB tarkistamalla MIME-merkkijonon kiinteästä tavuasennosta ilman, että täytyy käynnistää purku­moottoria.

Lisääkö solujen muotoilun muuttaminen Excelissä pakatun XLSX-tiedoston kokoa? Kyllä; laaja mukautettu muotoilu rikkoo solujen yhtenäisen mallin toistumisen, luoden pidempiä XML-määrittelyjä, jotka heikentävät DEFLATE-pakkauksen tehokkuutta.

Onko mahdollista poimia korkearesoluutioiset alkuperäiset kuvat Word- tai PowerPoint-tiedostosta ilman laadun heikkenemistä? Kyllä; nimeä tiedosto .zip, avaa word/media- tai ppt/media-kansio, ja löydät alkuperäiset, pakkaamattomat lähdekuvat juuri sellaisina kuin ne on lisätty.

Katso myös

• Pakattujen tiedostomuotojen tiedot FileFormat.comissa
• ZIP-pommit – Räjäyttävät tallennustilasi
• 7z-tiedostomuodon ymmärtäminen – Kattava opas ja UKK
• 7 parasta työkalua RAR-tiedostojen avaamiseen tai purkamiseen