W informatyce , A format danych jest sposób, w którym rodzaj danych jest reprezentowany (zakodowanymi) , w postaci szeregu bitów . Dla wygody interpretujemy tę sekwencję bitów jako liczbę binarną i mówimy w skrócie, że dane są reprezentowane jako liczba. Na przykład znak C jest ogólnie zakodowany jako sekwencja, w której aktywowane są 3 bity, która jest zapisywana jako 0100 0011 lub 67 w postaci dziesiętnej .
Format danych jest zatem (ewentualnie ustandaryzowaną ) konwencją używaną do reprezentowania danych - informacji reprezentujących tekst, stronę, obraz , dźwięk , plik wykonywalny itp. Jest to szablon, w którym dane są umieszczane w określonych miejscach, aby narzędzie czytające ten format znalazło dane tam, gdzie spodziewało się je znaleźć. Gdy dane te są przechowywane w pliku , określa się je jako format pliku . Taka konwencja umożliwia wymianę danych pomiędzy różnymi programami komputerowymi lub oprogramowaniem , albo przez bezpośrednie połączenie, albo za pomocą pliku. Ta możliwość wymiany danych pomiędzy różnymi programami nazywana jest interoperacyjnością .
Rozróżniamy format otwarty , którego specyfikacja jest publicznie dostępna, od formatu zamkniętego (lub nieprzejrzystego) , którego specyfikacja jest tajna. Zamknięty format zazwyczaj odpowiada pojedynczemu oprogramowaniu zdolnemu do jego pełnego wykorzystania.
Rozróżnia się również format ustandaryzowany, podlegający standaryzacji przez instytucję publiczną lub międzynarodową ( ISO , W3C ) oraz dowolny format, który może stać się standardem ze względu na swoją popularność. Taki format bywa później standaryzowany jako OpenDocument .
Mówi się, że format jest zastrzeżony, jeśli został opracowany przez firmę, głównie do celów komercyjnych. Zastrzeżony format można otworzyć ( na przykład format PDF do Adobe ), jeśli zostanie opublikowany, lub zamknięty (na przykład format Doc firmy Microsoft ). Ale nawet gdy specyfikacje są upubliczniane, firmy tworzące zastrzeżone formaty próbują utrzymać kontrolę albo regularnie proponując nowe, bardziej rozbudowane wersje (kontrola poprzez utrzymywanie postępu technologicznego), albo używając środków prawnych, takich jak patenty. Ten rodzaj antykonkurencyjnych praktyk za pomocą narzędzi prawnych jest dozwolony w Stanach Zjednoczonych. Jest to kontrowersyjne w Europie (patrz Patentowalność oprogramowania ).
Naturalne liczby całkowite na ogół tylko reprezentowane binarnie (na podstawie 2), z klasyczną zasadą konwersji. W przeciwieństwie do naturalnych liczb całkowitych, komputerowe liczby całkowite są skończone. Dlatego możliwe jest reprezentowanie w ten sposób tylko liczb należących do przedziału określonego przez liczbę dostępnych bitów. Kiedy chcemy reprezentować względną liczbę całkowitą , rezerwujemy bit do oznaczenia znaku (zwykle bit najbardziej na lewo); jest to następnie określane jako „liczba całkowita ze znakiem” (signed integer). W większości przypadków liczby ujemne będą kodowane przy użyciu zasady uzupełniania do dwóch .
Na przykład za pomocą bajtu możemy reprezentować:
Zauważ, że aby porównać dwie względne liczby całkowite zakodowane w ten sposób, wystarczy wykonać wyłączne OR z (10 000 000 w formacie binarnym) na każdej przed testem.
Inne typy są również używane do reprezentowania liczb całkowitych, jest to kodowanie BCD w formie rozszerzonej (jedna cyfra na jeden bajt) lub zwartej (jedna cyfra na 4 bity). Chociaż te formaty są mniej wydajne do obliczeń niż system binarny opisany powyżej, ponieważ wymagają dodatkowych instrukcji do ponownego sformatowania wyniku przeprowadzonych operacji arytmetycznych, nadal są używane w wielu systemach ( komputer centralny , DBMS itp.) i zarządzane. procesory, ponieważ nie są ograniczone liczbą bitów używanych przez procesor do arytmetyki binarnej (8 bitów, 16 bitów, 32 bity, 64 bity itd.) i zachowują precyzję jednostki w przeciwieństwie do liczb zmiennoprzecinkowych .
Ułamek jest zapisywany z licznikiem i mianownikiem, czyli dwiema liczbami całkowitymi. Można to jednak wykorzystać tylko w rachunku formalnym.
Do obliczeń wolimy używać komputerowych liczb całkowitych o podstawie dwa lub dziesięć, w których występuje przecinek, w pozycji zmiennej (decy-mikro-nano-pico) lub stałej (franc-centymy).
W przypadku liczb mieszanych konwencja numeracji jest taka, że przy podstawie n , „0, a ” oznacza a × 1 / n (= a × n −1 ), „0.0 a ” oznacza a × 1 / n 2 ( = a × n − 2 )… Na przykład przy podstawie 10 ( n = 10), „0,005” oznacza 5 × 10-3 .
Tak więc liczba 0,001 w systemie binarnym ( n = 2) oznacza 1 × 2 -3 = 0,125.
Tak więc w informatyce pierwsze rozwiązanie polega na przypisaniu określonej liczby bitów z prawej strony ujemnym potęgom liczby 2.
Innym rozwiązaniem jest użycie kodowania BCD jak w przypadku liczb całkowitych, biorąc pod uwagę położenie kropki dziesiętnej na stałej pozycji, na przykład w przypadku kodowania 10-cyfrowego pierwsze osiem cyfr zawiera część całkowitą, a dwie ostatnie część dziesiętną. To pozycjonowanie jest całkowicie dowolne i musi być zarządzane przez programistę w przypadku wyświetlania lub obliczeń, szczególnie w przypadku mnożenia lub gdy dwie liczby nie są zdefiniowane z taką samą liczbą cyfr po przecinku. Jest to typ danych, który jest powszechnie używany w DBMS dla typu DECIMAL.
Teksty składają się ze znaków w liczbach skończonych ( litery , znaki diakrytyczne , znaki interpunkcyjne …), przynajmniej w alfabetach europejskich. Gdyby przypisanie liczby do każdego znaku we wszystkich kontekstach regionalnych było proste, ta konwersja {znak → liczba} zostałaby zdefiniowana umownie w postaci tabeli lub strony kodowej . W praktyce, ze względu na interoperacyjność, stosuje się bardziej wyrafinowane systemy kodowania . Najczęściej używane są regionalne strony kodowe ASCII dla języka angielskiego, jego warianty i rozszerzenia z innych krajów oraz Unicode .
Teksty obejmują również układ (wyrównanie akapitów) i formatowanie (rodzaj czcionki , rozmiar itp.). Ogólnie przyjęte rozwiązanie polega na zdefiniowaniu słów poleceń, instrukcji, oddzielonych od tekstu specjalnym znakiem. Tak więc w HTML instrukcje są nazywane "tagami" i są ujęte w nawiasy ostre <…> ; w LaTeX , instrukcje są wprowadzane przez odwrócony słupek ułamka \. W rezultacie niektóre znaki są zarezerwowane dla instrukcji i nie mogą już być częścią tekstu; istnieją wtedy „kody ucieczki” lub specjalne instrukcje do ich reprezentowania.
Do 2006 roku oprogramowanie Microsoft Word zachowywało inny sposób przechowywania formatowania: dane (tekst i obrazy) są umieszczane w dokumencie jako surowe (bez formatowania), a formatowanie jest definiowane w części dokumentu zwanej „ podziałem sekcji” . Podział sekcji poza zaznaczeniem zmiany układu (podział kolumny, koniec strony) to niewidoczny obszar zawierający wskaźniki przypisujące formatowanie do części sekcji. To rozwiązanie do przechowywania surowych danych było historycznie stosowane w czasie, gdy istniało niewiele innych rozwiązań (początek lat 80-tych). Było to podejście powszechnie przyjęte w wielu aplikacjach i związane m.in. z niskimi standardami przechowywania. Doświadczenie pokazuje jednak, że takie podejście jest bardzo uciążliwe i stanowi źródło problemów (uszkodzenie dokumentów) w przypadku dokumentów liczących około 100 stron i więcej. Jeśli Microsoft próbował zachować swój model i stopniowo ewoluować, aby uniknąć zabierania wszystkiego z powrotem do bazy, osiągnął swoje granice. W wydaniu z 2007 roku firma Microsoft przyjęła nowy, zastrzeżony format, Open XML.
Podstawą reprezentacji obrazów jest geometria analityczna .
Możliwe jest pocięcie obrazu na elementarne punkty lub „ piksele ” i przypisanie koloru do tego piksela. Kolor jest reprezentowany przez liczbę, przy czym korespondencja kolorów → liczba odbywa się za pomocą „palety”.
Nie ma sensu podawać współrzędnych punktów: jeśli szerokość obrazu jest podana w liczbie n punktów, to pierwsze n punktów reprezentuje pierwszą linię, punkty n +1 do 2 n reprezentują drugą linię ... Wystarczy wtedy ustalić umownie kolejność skanowania, w tym przypadku zachodnią kolejność czytania (od lewej do prawej i od góry do dołu).
Daje to obraz w formacie mapy punktów, często nazywany obrazem bitmapowym . Jest to zatem kanwa punktów, z których każdy ma przypisaną kolorową wartość. Duże różnice między istniejącymi formatami to głębia kolorów (1 bit: czarny lub biały, 8 bitów: 256 kolorów, 24 bity: 16 milionów kolorów…) oraz rodzaj kompresji (bez kompresji lub surowa , z kompresją według wzorów, z niszczącą kompresją ...)
Rozważmy na przykład czarno-białą mapę (1 dla koloru kształtu, 0 lub · dla koloru tła) definiującą obraz o szerokości pięciu punktów przez następującą sekwencję liczb:
1000101010001000101010001Ta mapa musi zostać podzielona na grupy po 5 bitów:
1· ▓░ █· ⟵ Symboles de notation pour l'explication un tramé plein ⟵ Notation du 1 point tramé point ⟵ Notation du 0 · 1···1 ▓░░░▓ █···█ ·1·1· ░▓░▓░ ·█·█· ··1·· ░░▓░░ ··█·· ·1·1· ░▓░▓░ ·█·█· 1···1 ▓░░░▓ █···█co daje nam rysunek „X” w „kolorze kształtu” na tle „koloru tła”. Jednak tutaj żaden bit nie wskazuje koloru, więc kolor renderowania zależy od zastosowanej technologii i jej konfiguracji.
Format danych musi zatem zawierać, oprócz listy punktów, szerokość obrazu i opis palety; robi się to zwykle na początku pliku (mówimy o pliku „nagłówek”).
Niektóre znane formaty obrazów rastrowych: Portable Network Graphics , JPG , BitMaP , Portable pixmap .
Obraz w formacie wektorowym to obraz opisany przez zestawy współrzędnych matematycznych, a nie przez kanwę punktów. Na przykład :
Ponadto niezbędne są informacje o ścieżce: atrybuty graficzne to grubość, styl (ciągły lub kropkowany), kolor linii, jej przezroczystość itp.
Obraz wektorowy jest zatem zbiorem współrzędnych, atrybutów i poleceń, za których interpretację odpowiada program wyświetlający (na ekranie lub na papierze).
W przypadku obrazów, które można łatwo zredukować do kształtów geometrycznych (typografia, kartografia itp.), format wektorowy jest niezwykle ekonomiczny.
Osobliwością formatów wektorowych jest to, że ich ostateczne renderowanie zależy tylko od rozdzielczości urządzenia wyjściowego. Ten typ obrazu można również powiększać bez przeszkadzających efektów; nie ma efektu „rasteryzacji” (linie ukośne lub zakrzywione nie są widoczne jako schody).
Niektóre znane formaty wektorowe: VML , SVG , Adobe PDF (Acrobat), Adobe Illustrator , encapsuled PostScript EPS , Quark QXD , Silverlight i Macromedia Flash (formaty animacji wektorowej), AutoCAD DXF .
Reprezentacja wirtualnych obiektów tworzonych przez oprogramowanie do modelowania 3D wymaga określonego formatu danych , ponieważ poprzednie formaty są nieodpowiednie. Rzeczywiście, aby przedstawić obiekt 3D, potrzebujesz przynajmniej opisu:
Reprezentowanie sceny wymaga również określenia zastosowanego oświetlenia, względnego położenia obiektów, ewentualnych efektów środowiskowych, ale przede wszystkim jego hierarchicznej struktury (powiązań między elementami).
Pierwszymi de facto standardowymi formatami były formaty przystosowane do CAD: obiekt jest definiowany za pomocą faset lub powierzchni analitycznych. Wystarczy określić jego początek, a następnie charakterystyczne współrzędne elementów w przestrzeni trójwymiarowej. Na przykład w formacie DXF programu Autocad obiekt jest serią nazwanych elementów składających się z listy punktów X, Y, Z. W wyniku indeksowania powstają trójkątne fasetki lub linie, które są oparte na tych punktach.
Jeśli ten format był wystarczający do rysowania technicznego, to zupełnie nie nadawał się do wirtualnej rzeczywistości. W latach 90. firma Silicon Graphics (producent stacji roboczej do grafiki 3D) opublikowała format Inventor , który zawierał większość niezbędnych elementów. Format ten przekształcił się w format VRML , który został ustandaryzowany.
Ponadto ukazał się również format 3D Studio ASCII , ale eksplozja rynku 3D dała początek wielu zastrzeżonym formatom. Dla użytkownika problemem często była konwersja modelu z jednego formatu na inny bez utraty zbyt dużej ilości informacji. Niektóre firmy wyspecjalizowały się nawet w tego typu konwersji.
Obecnie w świecie zawodowym nie ma jednego formatu, a raczej mniej lub bardziej używane formaty w zależności od rodzaju aplikacji. Na przykład :
Jednak większość modelarzy 3D jest w stanie mniej więcej czytać (Importować) i tworzyć (Eksportować) kilka formatów: jest to ważne kryterium wyboru. Wśród najpopularniejszych formatów możemy wymienić:
Obecny trend polega na faworyzowaniu opisowego formatu typu XML . Format danych 3D jest wtedy nazywany językiem opisowym, takim jak X3D (ewolucja VRML z formatowaniem XML).
Darmowy format COLLADA umożliwia również wymianę danych między różnymi programami. W szczególności istnieje importer/eksporter Blendera .
Formaty dźwiękowe są podzielone na trzy części:
(Patrz rozdział Formaty klasyczne )
Kompresja danych to technika przekształcania danych tak, aby zajmowały mniej miejsca. Ponieważ dane muszą zostać zdekompresowane przed przetworzeniem, odbywa się to kosztem szybkości i wiąże się z większym ryzykiem utraty danych .
Podstawową ideą jest to, że na ogół elementy w plikach są powtarzane. Dlatego korzystne jest reprezentowanie elementów, które powtarzają się często mniejszymi liczbami (czyli biorąc mniej bitów).
Możemy wyróżnić dwa rodzaje kompresji:
| Kategoria | Formaty |
|---|---|
| Kino | PNG , MNG , TIFF , JPEG , GIF , TGA , OpenEXR , BMP , FITS |
| Rysunek wektorowy | VML , SVG , Silverlight , SWF , AI , EPS , DXF |
| 3d | XCF , BLEND , SKP, (SKB) , DXF , 3DS Max , C4D , VRML , X3D , IFC , DWG |
| Jego | OGG , FLAC , MP3 , WAV , WMA , AAC |
| Wideo | MPEG , OGM ( DVD , DivX , XviD ), AVI , Theora , FLV |
| Strona | PDF , PostScript , HTML , XHTML , XML , PHP |
| Dokument do przetwarzania tekstu | ODT , TXT , DOC , RTF |
| Plik wykonywalny | BIN , ELF , EXE , SDC , BAT |
| Archiwa (zwykle pliki skompresowane) | 7Z , TAR , GZIP , ZIP , LZW , ARJ , RAR , SDC |
| Archiwa komiksów (formaty identyczne z formatami archiwów, na których są oparte: różni się tylko rozszerzenie pliku) |
CB7 (.cb7), CBA oparte na 7z (.cba), CBR oparte na ACE (.cbr), CBT oparte na RAR (.cbt), CBZ oparte na TAR (.cbz), CBR oparte na ZIP |
Gdy plik jest przesyłany do innych osób, niektóre formaty plików mogą stanowić zagrożenie informatyczne dla prywatności twórcy pliku . W rzeczywistości niektóre z nich zawierają w swoim formacie danych informacje osobiste, takie jak nazwa komputera i nazwa użytkownika.
Dzieje się tak najczęściej podczas korzystania z oprogramowania biurowego . W przypadku tych programów jest to nie tylko nazwisko osoby, która utworzyła plik, ale także osoby, która go później zmodyfikowała.
Rzadziej pliki HTML czasami zawierają również dane osobowe, w szczególności gdy są eksportowane z oprogramowania biurowego (np. Microsoft Word). Łatwo to jednak zweryfikować, przeglądając kod HTML.
Firma Microsoft oferuje informacje umożliwiające usunięcie danych osobowych ukrytych w plikach: