Ficheros y formatos

La organización de un fichero decide cómo se llega a un registro concreto, y con ello lo que cuesta leerlo, escribirlo o borrarlo. Hay tres formas básicas y una híbrida.

En el acceso secuencial los registros se leen en el orden en que están escritos, desde el principio. Es la organización de la cinta magnética, y de ahí vienen sus dos rasgos: los registros nuevos se añaden al final, y el borrado es lógico, no físico. Borrar de verdad exigiría reescribir el fichero entero, así que lo que se hace es marcar el registro como eliminado y dejar de tenerlo en cuenta.

En el acceso directo se llega al registro sin recorrer los anteriores: una clave del propio registro, o una función aplicada sobre esa clave, indica la posición que ocupa dentro del fichero. Es la misma idea de la tabla hash llevada al almacenamiento.

En el acceso indexado hay dos ficheros: uno con los datos y otro, el índice, que asocia cada clave con la posición donde está su registro. Se busca en el índice, que es pequeño y está ordenado, y de ahí se salta directamente al dato.

Cada sistema operativo tiene su propio formato de distribución de software, y es una de las preguntas de identificación más habituales.

En ofimática de Microsoft hay una frontera clara en la versión 2007. Hasta ella, los formatos binarios doc, xls y ppt eran propietarios y se apoyaban en el almacenamiento compuesto OLE. Desde ella, los formatos docx, xlsx y pptx son en realidad un archivo comprimido en zip que contiene documentos XML: es el estándar Office Open XML (OOXML), normalizado como ECMA-376 e ISO/IEC 29500. En esas extensiones la letra final indica la variante: x para el formato XML normal, m para el que admite macros y t para las plantillas (dotx, xltx, potx).

La alternativa abierta es OpenDocument, de OpenOffice y LibreOffice: odt para texto, ods para hoja de cálculo, odp para presentación, odg para dibujo y odb para base de datos.

En correo electrónico conviene separar lo que guarda un solo mensaje de lo que guarda un buzón entero. El fichero eml contiene un único mensaje con el formato normalizado de Internet (RFC 5322, que sustituyó al RFC 2822), y msg es su equivalente propietario de Outlook. En cambio mbox (RFC 4155) es un contenedor con muchos mensajes seguidos, y pst y ost son los buzones de Outlook, el primero de almacenamiento local y el segundo la copia sin conexión sincronizada con el servidor. Los ficheros nsf son las bases de Lotus Notes, en su versión de cliente (Notes) y de servidor (Domino).

En certificados, el par p12 o pfx contiene el certificado junto con su clave privada, mientras que cer contiene el certificado X.509 sin ella. Por eso un p12 se protege con contraseña y no se envía a nadie, y un cer sí se puede repartir.

La primera división es entre imagen de mapa de bits, que guarda píxeles y pierde calidad al ampliarse, e imagen vectorial, que guarda las figuras como fórmulas y se escala sin degradarse. La segunda es entre compresión con pérdida, que descarta información para ocupar menos, y sin pérdida, que permite reconstruir el original exacto.

Los tipos MIME son la etiqueta con la que se declara la naturaleza de un contenido para que el navegador sepa qué hacer con él. Se escriben como tipo y subtipo separados por una barra: image/gif, image/svg+xml, text/html, text/xml, application/javascript, application/pdf o video/mpeg.

Aquí hay que separar dos cosas que se confunden siempre. El códec es el algoritmo que codifica y descodifica la señal, y decide la calidad y el tamaño. El contenedor es el envoltorio con cajones para meter dentro las pistas de vídeo, las de audio, los subtítulos y los metadatos, y decide qué se puede combinar. Un mismo contenedor admite distintos códecs, y por eso saber que un fichero es .mp4 no dice todavía con qué está codificado.

Entre los códecs de vídeo, la línea principal la marcan los estándares del grupo MPEG y la UIT: AVC (H.264), su sucesor HEVC (H.265) y el más reciente VVC (H.266), cada uno con mejor compresión que el anterior a igual calidad. Junto a ellos conviven DivX y Xvid, muy extendidos en su día, el WMV de Microsoft, y la familia abierta y libre de regalías VP8, VP9 y AV1.

Contenedor y códec responden a preguntas distintas: MP4, MKV o AVI son cajas, y H.264, HEVC o AV1 son lo que va dentro.

La extensión es solo una convención del nombre y se puede cambiar sin que el contenido cambie, así que no sirve para identificar un fichero con seguridad. Lo que sí lo identifica es el magic number o firma (signature): los primeros bytes del fichero, que llevan un patrón fijo característico de cada formato.

Por eso un archivo renombrado como imagen sigue siendo detectable como ejecutable, algo relevante en seguridad, y por eso los servidores comprueban la firma y no la extensión al aceptar una subida. Apache Tika es una biblioteca de Java muy usada para esta tarea: detecta el tipo de un fichero por su firma y extrae además sus metadatos y su texto.

La extensión la decide quien nombra el fichero; el magic number lo decide quien lo escribió. Solo el segundo es prueba de qué contiene.