短网址(short URL)系统的原理及其实现

　　背景

　　提供一个短址服务

　　你有没有发现，我们的任务中出现长 URL 就会比较麻烦?如果有一个短址生成器就好了。虽然市面上有很多，但是我们可以重复发明一个轮子，利用这个机会尝试一下简单的 Web 全栈开发。

　　任务

　　做一个短链接生成器，可以将一个长链接缩短成一个短链接。

　　要发车了 :bus:

　　发车前，和大家说一下

　　如果不想重复的造轮子，想开箱即用，可以使用基于 PHP 的开源软件 YOURLS 。 YOURLS 还可以和 WordPress 整合到一起，功能强大，可扩展性高。

　　本文记录了开发短网址系统的整个过程，包括初期的算法调研、模块设计、数据库设计、功能扩展等。

　　什么是短链接 :link:

　　就是把普通网址，转换成比较短的网址。比如： http://t.cn/RlB2PdD 这种，在微博这些限制字数的应用里。好处不言而喻。短、字符少、美观、便于发布、传播。

　　百度短网址 http://dwz.cn/

　　谷歌短网址服务 https://goo.gl/ (需科学上网)号称是最快的 :rocket:

　　原理解析

　　当我们在浏览器里输入 http://t.cn/RlB2PdD 时

　　DNS首先解析获得 http://t.cn 的 IP 地址

　　当 DNS 获得 IP 地址以后(比如：74.125.225.72)，会向这个地址发送 HTTP GET 请求，查询短码 RlB2PdD

　　http://t.cn 服务器会通过短码 RlB2PdD 获取对应的长 URL

　　请求通过 HTTP 301 转到对应的长 URL https://m.helijia.com 。

　　这里有个小的知识点，为什么要用 301 跳转而不是 302 呐?

　　301 是永久重定向，302 是临时重定向。短地址一经生成就不会变化，所以用 301 是符合 http 语义的。同时对服务器压力也会有一定减少。

　　但是如果使用了 301 ，我们就无法统计到短地址被点击的次数了。而这个点击次数是一个非常有意思的大数据分析数据源。能够分析出的东西非常非常多。所以选择302虽然会增加服务器压力，但是我想是一个更好的选择。

　　来自知乎 iammutex 的 答案

　　算法实现

　　网上比较流行的算法有两种 自增序列算法、 摘要算法

　　算法一

　　自增序列算法也叫永不重复算法

　　设置 id 自增，一个 10进制 id 对应一个 62进制的数值，1对1，也就不会出现重复的情况。这个利用的就是低进制转化为高进制时，字符数会减少的特性。

　　如下图：十进制 10000，对应不同进制的字符表示。

　　短址的长度一般设为 6 位，而每一位是由 [a – z, A – Z, 0 – 9] 总共 62 个字母组成的，所以 6 位的话，总共会有 62^6 ~= 568亿种组合，基本上够用了。

　　哈哈，这里附上一个进制转换工具 http://tool.lu/hexconvert/ 上图的数据就是用这个工具生成的。

　　具体的算法实现，自行谷歌。

　　算法二

　　将长网址 md5 生成 32 位签名串,分为 4 段, 每段 8 个字节

　　对这四段循环处理, 取 8 个字节, 将他看成 16 进制串与 0x3fffffff(30位1) 与操作, 即超过 30 位的忽略处理

　　这 30 位分成 6 段, 每 5 位的数字作为字母表的索引取得特定字符, 依次进行获得 6 位字符串

　　总的 md5 串可以获得 4 个 6 位串,取里面的任意一个就可作为这个长 url 的短 url 地址

　　这种算法,虽然会生成4个,但是仍然存在重复几率

　　两种算法对比

　　第一种算法的好处就是简单好理解，永不重复。但是短码的长度不固定，随着 id 变大从一位长度开始递增。如果非要让短码长度固定也可以就是让 id 从指定的数字开始递增就可以了。百度短网址用的这种算法。上文说的开源短网址项目 YOURLS 也是采用了这种算法。 源码学习

　　第二种算法，存在碰撞(重复)的可能性，虽然几率很小。短码位数是比较固定的。不会从一位长度递增到多位的。据说微博使用的这种算法。

　　我使用的算法一。有一个不太好的地方就是出现的短码是有序的，可能会不安全。我的处理方式是构造 62进制的字母不要按顺序排列。因为想实现自定义短码的功能，我又对算法一进行了优化，下文会介绍。

　　流程图

　　自增序列算法流程图

　　st=>start: 开始

　　e=>end: 结束

　　io1=>inputoutput: 输入网址

　　io2=>inputoutput: 返回短网址

　　op1=>operation: 返回对应的短码

　　op2=>operation: 保存输入的网址到数据库

　　op3=>operation: 根据id计算对应的短码

　　op4=>operation: 更新短码到数据库

　　cond1=>condition: 查询数据库

　　是否存在对

　　应的短码

　　st->io1->cond1

　　cond1(no,bottom)->op2->op3->op4->op1->io2->e

　　cond1(yes)->op1->io2->e

　　自增序列算法 + 用户自定义短码 流程图

　　st=>start: 开始

　　e=>end: 结束

　　io1=>inputoutput: 输入网址

　　io2=>inputoutput: 返回短网址

　　io3=>inputoutput: 提示用户

　　该短码已存在

　　io4=>inputoutput: 提示用户

　　不能输入短链接

　　op1=>operation: 返回短码

　　op2=>operation: 保存输入的网址到数据库

　　op3=>operation: 根据id计算对应的短码

　　op4=>operation: 查询数据库

　　获得一条

　　自定义短码的url

　　对应的id记录

　　op5=>operation: 更新短码到数据库

　　cond1=>condition: 查询数据库

　　是否存在该URL

　　cond2=>condition: 用户选择

　　自定义短码

　　cond3=>condition: 生成的短码

　　是否存在

　　cond4=>condition: 短码是否存在

　　cond5=>condition: 短码是否存在

　　cond6=>condition: 自定义的短码

　　是否存在

　　cond7=>condition: 用户输入的是短链接

　　st->io1->cond7

　　cond7(no,bottom)->cond1

　　cond7(yes)->io4->e

　　cond1(no,bottom)->cond2

　　cond1(yes)->op1->io2->e

　　cond2(no,bottom)->op3->cond4

　　cond2(yes)->cond5

　　cond4(no, bottom)->op5->op1->io2->e

　　cond4(yes)->op4->op3->cond4

　　cond5(no,bottom)->op5

　　cond5(yes)->io3->e

　　百度短网址还允许用户自定义短码，算法二 摘要算法，不和 id 绑定，好像挺好实现这个功能的。

　　但是自增序列算法是和 id 绑定的，如果允许自定义短码就会占用之后的短码，之后的 id 要生成短码的时候就发现短码已经被用了，那么 id 自增一对一不冲突的优势就体现不出来了。

　　那么怎么实现自定义短码呐?

　　我是这样处理的：

　　数据库增加一个类型 type 字段，用来标记短码是用户自定义生成的，还是系统自动生成的。

　　如果有用户自定义过短码，把它的类型标记自定义。每次根据 id 计算短码的时候，如果发现对应的短码被占用了，就从类型为自定义的记录里选取一条记录，用它的 id 去计算短码。

　　这样既可以区分哪些长连接是用户自己定义还是系统自动生成的，还可以不浪费被自定义短码占用的 id

　　我保留了 1 到 2 位的 短码，从三位的短码开始生成的。就像域名的保留域名一样，好的要自己预留 :smirk:

　　数据表设计

　　links 表

　　后期功能扩展

　　统计：点击量、访问的 ip 地域、用户使用的设备

　　管理后台：删除、数据量

　　登录：权限管理

　　设置密码：输入密码才可以继续访问