文件的压缩解压与归档

本文详细介绍了Linux下常见的压缩工具,包括gzip、bzip2、xz和zip的使用方法及特点。此外,还深入探讨了tar工具的功能,如归档、压缩、追加等操作,并提供了实用的例子。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Windows下的常见压缩格式有.zip和.rar,而Linux下的常见压缩格式有:gz,bzip2,xz,zip等由于压缩算法的不同,所以以上几个压缩后的文件大小各不同。

一、gzip

用法:gzip 文件路径 gzip压缩与解压完成后会删除源文件。

#压缩文件
[root@centos7 app]$gzip testfile
#解压文件
[root@centos7 app]$gunzip testfile.gz
[root@centos7 app]$gzip -d testfile.gz
#不解压文件查看源文件

二、bzip2

用法:bzip2 文件路径

压缩文件:bzip2 testfile
解压文件:bzip2 -d testfile.bz
-k 不删除原文件的情况下解压:bzip2 -dk testfile.bz
不解压缩查看原文件:bzcat file

三、xz

用法:xz 文件路径
压缩文件:xz testfile
解压文件:xz -d testfile
不删除源文件解压:xz -dk testfile
不解压查看原文件:xzcat file

四、zip打包压缩

zip 可以压缩文件,也可以压缩目录并且默认不删除原文件。以上三个无此功能
压缩文件:zip file
解压文件:unzip file
递归处理子目录:zip -r file

五、tar工具

tar工具是归档文件不是压缩工具,归档完的文件可能比之前的文件还大一些。并且tar工具对于归档和展开归档并不会删除原文件。

1.将多个文件创建到指定路径的归档文件,归档文件通常以tar结尾

[root@centos7 test]$tar -cf guidang.tar dir1 dir2

2.查看归档文件中的文件列表

[root@centos7 test]$tar -tf guidang.tar

3.展开归档文件

#默认展开之当前目录
[root@centos7 test]$tar -xf guidang.tar
#展开至指定归档,使用大C
[root@centos7 test]$tar -xf guidang.tar -C /home/root

4.可以使用tar工具对已有的归档文件进行追加
但是对于归档并压缩的文件不支持追加。

[root@centos7 test]$tar -rf guidang.tar file 

5.归档并压缩
归档的文件名,一定要与压缩的文件格式相对应。
-j-----bzip2
-z----gzip
-J----xz

  • 举例
[root@centos7 test]$tar -Jcf zuoye.tar.xz zuoye/
  • tar打包时排除指定目录
    list为需要打包的文件的绝对路径,
    使用-T调用需要打包的列表文件,-X为排除需要打包的文件
[root@centos7 test]$tar -jcf zuoye.tar.bzip2 -T list -X fei
  • 使用tar时将文件进行分割
-b 1M 分割成1M大小的块,-d以数字的方式进行区分,zuoye指定分割后文件前缀
[root@centos7 test]$ split  -b 1M -d zuoye.tar.gzip2 zuoye
[root@centos7 test]$ ls
zuoye00  zuoye01  zuoye.tar.bzip2
#将分割的文件合并
[root@centos7 test]$cat zuoye0* >zuoye.tar.bzip2

转载于:https://www.cnblogs.com/aubin/p/7276765.html

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值