SharpCompress 0.40.0版本发布:压缩库的重大更新与优化
项目简介
SharpCompress是一个功能强大的.NET压缩库,支持多种压缩格式的读写操作,包括RAR、ZIP、7z、TAR、GZip等。作为一个纯C#实现的开源项目,它不依赖任何本地库,可以在各种.NET平台上运行。SharpCompress提供了简单易用的API,使开发者能够轻松地在应用程序中集成压缩和解压功能。
0.40.0版本亮点
最新发布的0.40.0版本带来了多项重要改进和优化,主要集中在性能提升、格式支持扩展和错误修复三个方面。这个版本不仅修复了多个长期存在的问题,还引入了对ARC格式的支持,并对核心解压算法进行了深度优化。
核心改进详解
1. 格式支持扩展
新增ARC格式支持是本版本最显著的特性之一。ARC是一种历史悠久的压缩格式,在早期DOS系统中广泛使用。开发团队通过多个PR逐步实现了对ARC格式的完整支持:
- 基础ARC格式读取功能
- 支持ARC的压缩方法3和4
- 添加对ARC压缩方法5、6、7和8(称为"crunched"方法)的支持
7-Zip格式增强方面,现在可以访问7z存档中的扩展属性,这为需要处理文件元数据的应用场景提供了更多可能性。
2. 压缩算法优化
LZMA算法优化是本版本的另一大亮点,通过多个PR实现了显著的性能提升:
- 优化了LZ OutWindow的CopyBlock操作
- 改进了LZMA范围解码器的实现
- 为LzmaStream和LzOutWindow实现了ReadByte方法
BZip2安全性增强修复了由于未清理的nSelectors使用可能导致越界访问的问题,提高了库的安全性。
3. RAR格式改进
针对RAR格式的多项修复使SharpCompress对RAR文件的支持更加完善:
- 修复了RAR4 v20压缩方法的处理
- 修正了RAR2 v20和v26多媒体(音频)解码器的问题
- 改进了多部分RAR文件的处理,现在ExtractAllEntries方法能正确处理分卷RAR文件
4. ZIP格式修复
解决了ZIP条目处理中的一个重要问题,现在能够正确处理带有数据描述符的ZIP条目。这一改进提高了对某些特殊ZIP文件的兼容性。
5. 性能优化
除了算法层面的优化外,本版本还包含多项通用性能改进:
- 优化了BufferedSubStream的ReadByte实现
- 修正了BufferedSubStream计算中的回归问题
- 使用File.OpenRead替代File.Open进行测试,允许并发访问
API与使用改进
异常处理规范化是本次版本的一个重要内部改进。现在大多数异常情况会抛出SharpCompressException或其子类,而不是通用的Exception,这使得错误处理更加明确和一致。
提取方法改进方面,WriteToDirectory函数现在统一使用ExtractAllEntries实现,提高了代码一致性。同时,文档中的使用示例也进行了更新,移除了可能有问题的提取示例。
空流处理方面,当7z条目没有流时,现在会返回Stream.Null而不是抛出异常,这使API行为更加合理。
开发者体验提升
测试改进使得测试过程更加可靠,特别是通过使用File.OpenRead替代File.Open,解决了测试文件并发访问的问题。
跨平台支持方面,现在明确不在非Windows平台上运行.NET Framework 4.8的构建,这避免了潜在的兼容性问题。
总结
SharpCompress 0.40.0版本是一个重要的里程碑,不仅修复了大量问题,还扩展了格式支持并显著提升了性能。特别是对ARC格式的支持和对LZMA算法的优化,使得这个库在功能完整性和性能方面都达到了新的高度。对于需要处理多种压缩格式的.NET开发者来说,升级到这个版本将获得更稳定、更高效的体验。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00