Un parser de tar rápido y seguro para el ecosistema de Rust
El equipo de Astral presenta tar-codec, el parser de tar que desde uv 0.13 reemplaza a astral-tokio-tar. Es aproximadamente el doble de rápido que su predecesor y reduce la exposición a parser differentials: la situación en la que uv, pip u otras herramientas ven contenidos distintos para el mismo tarball. El post recorre la familia de formatos tar —V7, UStar/pax y GNU— y explica cómo un estado de máquina estricto, que bloquea cada archivo a una sola familia, rechaza en lugar de adivinar las ambigüedades que otros parsers resuelven de forma inconsistente. También presenta archive-trait, una capa común de extracción anclada con cap-std.
La discusión
Durante un año uv recibió informes de seguridad sobre astral-tokio-tar que permitían hacer que uv, pip u otras herramientas vieran contenidos distintos para el mismo tarball, y tar-codec es la reescritura estricta que Astral eligió en lugar de parchear ese parser. El post se recibió con entusiasmo por sus diagramas y su explicación del formato, y hubo consenso en que extraer a disco es la capa más difícil, porque cada sistema operativo y filesystem aplica sus propias semánticas. Sin embargo, la tensión principal es un argumento de andyc: compatibilidad y evitar parser differentials son fundamentalmente opuestos, porque soportar más features amplía el espacio de divergencias posibles; su salida sería acotar el problema, definir el ‘tar mínimo’ que necesitan los sdists de PyPI y rechazar en la subida. La escala se puso en números: bakkot consultó el BigQuery de PyPI y contó 9,8 millones de .tar.gz, unas 12 TB de tráfico para bajarlos todos. Como nota menor, otro intercambio discutió si ‘parser differentials’ es un anglicismo: un comentario la tachó de inglés de Claude, votado negativo, y tres réplicas señalaron que es un término de arte de 2011.