Facebookが開発した圧縮アルゴリズムZstandardについて調べた(非常に高速)(今日から使えます)

Common Lispの処理系であるSBCLをインストールしようとしたら、追加でlibzstd-develというのを新たに要求されるようになっていた。見るからに圧縮系のライブラリだけれど聞き慣れないのでちょっと調べてみた。

ちょろっと調べたところ、以下のことが分かった:

Zstandard(ゼットスタンダード？)というのが正式な名前。
Facebookが開発した。
Deflateよりも速いことを主眼においている。
BSDライセンス。
Linuxカーネルまわりで使えるようになっているほか、一部のディストロではパッケージの圧縮フォーマットとして使われているようだ。
- Webというよりはどちらかといえばバックエンド的な箇所で使われている印象がある。

facebook.github.io

`zstd` コマンド使ってみた

他の名だたる圧縮アルゴリズム同様、Linuxで直接ファイルに対してこれを実行して圧縮するためのバイナリが用意されている。zstdでリポジトリを検索すれば、大抵のディストロには入っているみたいだ。

使い方はgzipとかxzとかと大して変わらなくて、ファイルを渡せば圧縮される。gzipなどと違って勝手に元ファイルを置換したりはしないという差異があった。

動画を圧縮させる

適当にそのへんにあった3GiBくらいの録画ファイル(内容は、昨日のNHKの7時のニュースを録画したM2TSファイル)を圧縮させた:

$ du foo.m2ts
3317243 ...
$ time zstd foo.m2ts
zstd   14.27s user 4.24s system 134% cpu 13.792 total
$ du foo.m2ts.zst
3075652 ...

94%くらいになった。

同じことを、deflateアルゴリズムを使っているgzipにやらせてみる:

$ time gzip foo.m2ts > foo.m2ts.gz
gzip -c  >   124.46s user 2.16s system 99% cpu 2:06.76 total
$ du foo.m2ts.gz
3075624 ...

ほぼ同じサイズになったが、かなり時間がかかった。というかzstdがめちゃくちゃ速い。

テキストを圧縮させる

録画ではなく、テキストっぽいファイルも圧縮させてみる。とはいえ巨大なテキストを持ち合わせていないので、手元にあるEmacsの設定ディレクトリを全部TARにつめこんだ。これはおおむね巨大なテキストと呼んでもさしつかえないのではないか。で、これをzstdとgzとで圧縮させることにした。

$ du -d0 .
619956
$ cd ../
$ tar -cvf emacs.tar emacsd
$ du emacs.tar
598064
$ time zstd emacs.tar
zstd emacs.tar  1.39s user 0.54s system 144% cpu 1.338 total
$ du emacs.tar.zst
448852

75%くらいになった。gzipでも試してみる:

$ time gzip -c emacs.tar > emacs.tar.gz
gzip -c emacs.tar > emacs.tar.gz  17.46s user 0.36s system 99% cpu 17.814 total
$ du emacs.tar.gz
471256

zstdほど小さくならなかったし、かなり遅かった。timeの様子を見るに、マルチコアを活かせていない雰囲気がある。

zstdコマンド良さそう / `tar` からも呼び出せます

結論として、なかなか使い勝手の良さそうなコマンドという印象を受けた。かなり速くてそこそこのサイズに圧縮できてめでたい。

ところでtarから直接zstdが使えると楽しそう、と思ったところ、最近のtarではtar acf foo.tar.zst foo/のように書く(つまり、zの代わりにaを使ってアルゴリズムを自動判定させる)ことで直接呼び出せるようになっている。もしくは--zstdと書くと良いみたい。以下の記事によればzstdの自動認識はtar 1.31以降で対応している:

qiita.com

比較のコーナー

折角なので、いくつかの圧縮アルゴリズムを比較して、データを取ってみることにした。

アルゴリズムとファイルとの組み合わせを網羅してくれるScalaスクリプトを書く。zstdとgzに加えて、xz、bzip2、そして最近各種ブラウザがサポートしているbrotliを比較することにした。

#!/usr/bin/env amm

import scala.concurrent.duration.FiniteDuration
import $ivy.`org.typelevel::cats-core:2.8.0`
import $ivy.`io.circe::circe-core:0.14.1`
import $ivy.`io.circe::circe-generic:0.14.1`
import os.Path

val pwd = os.pwd
val FILES: Seq[Path] = Seq(pwd / "emacsd2.tar", pwd / "video.m2ts")

final case class Result(command: String, file: String, originalSize: Long, compressedSize: Long, durationSeconds: Long)

@main def main() = {
  import cats.implicits._
  import io.circe._, io.circe.syntax._, io.circe.generic.auto._

  val compressionMap = Map(
    "zstd"         -> zstd,
    "gz (deflate)" -> gz,
    "bzip2"        -> bz2,
    "xz"           -> xz,
    "brotli"       -> brotli,
  )
  val runner = (command: (String, (Path => Path)), file: Path) => {
    val (compressed, dur) = time(command._2(file))
    val size = os.size(compressed)
    Result(command._1, file.toString, os.size(file), size, dur.toSeconds)
  }

  val result = (compressionMap.toSeq, FILES) mapN { runner }

  // write as JSON lines (line-separated JSON objects)
  result map ( _.asJson.noSpaces ) foreach ( println _ )
}

val zstd = (file: Path) => {
  os.proc("zstd", file).call()
  Path(file.toString + ".zst")
}

val gz = (file: Path) => {
  os.proc("gzip", "-k", file).call()
  Path(file.toString + ".gz")
}

val bz2 = (file: Path) => {
  os.proc("bzip2", "-k", file).call()
  Path(file.toString + ".bz2")
}

val xz = (file: Path) => {
  os.proc("xz", "-k", file).call()
  Path(file.toString + ".xz")
}

val brotli = (file: Path) => {
  os.proc("brotli", "-k", "-q", "5", file).call()
  Path(file.toString + ".br")
}

Scalaスクリプトについては以下の拙著記事を参考。

blog.3qe.us

これを実行してシャワーを浴びていると以下のようなJSON Linesが得られた*1:

{"command":"gz (deflate)","file":"emacsd2.tar","originalSize":612413440,"compressedSize":482561907,"durationSeconds":19}
{"command":"gz (deflate)","file":"video.m2ts","originalSize":3322680040,"compressedSize":3149433518,"durationSeconds":132}
{"command":"xz","file":"emacsd2.tar","originalSize":612413440,"compressedSize":427691276,"durationSeconds":204}
{"command":"xz","file":"video.m2ts","originalSize":3322680040,"compressedSize":2846310580,"durationSeconds":1295}
{"command":"zstd","file":"emacsd2.tar","originalSize":612413440,"compressedSize":459619827,"durationSeconds":1}
{"command":"zstd","file":"video.m2ts","originalSize":3322680040,"compressedSize":3149463466,"durationSeconds":14}
{"command":"bzip2","file":"emacsd2.tar","originalSize":612413440,"compressedSize":471944261,"durationSeconds":57}
{"command":"bzip2","file":"video.m2ts","originalSize":3322680040,"compressedSize":3125718016,"durationSeconds":312}
{"command":"brotli","file":"emacsd2.tar","originalSize":612413440,"compressedSize":450331830,"durationSeconds":11}
{"command":"brotli","file":"video.m2ts","originalSize":3322680040,"compressedSize":3099375473,"durationSeconds":76}

これをさらにPandas / Seabornで可視化する。Pandasのread_jsonは、lines = Trueを渡すことによってJSON Linesをパースできるので覚えておくと便利ですよ。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_json("result.jsonl", lines=True)

print(df)

sns.set_theme(style="whitegrid")

ax = sns.barplot(df.query('file == "video.m2ts"'), x="file", y="durationSeconds", hue="command")
for i in ax.containers:
    ax.bar_label(i,)

plt.legend(loc='upper right')

plt.savefig("./result-video-dur.png")