提供一個(gè)短址服務(wù)
你有沒(méi)有發(fā)現，我們的任務(wù)中出現長(cháng) URL 就會(huì )比較麻煩？如果有一個(gè)短址生成器就好了。雖然市面上有很多，但是我們可以重復發(fā)明一個(gè)輪子，利用這個(gè)機會(huì )嘗試一下簡(jiǎn)單的 Web 全棧開(kāi)發(fā)。
任務(wù)
做一個(gè)短鏈接生成器，可以將一個(gè)長(cháng)鏈接縮短成一個(gè)短鏈接。
要發(fā)車(chē)了 :bus:
發(fā)車(chē)前，和大家說(shuō)一下
如果不想重復的造輪子，想開(kāi)箱即用，可以使用基于 PHP 的開(kāi)源軟件 YOURLS 。 YOURLS 還可以和 WordPress 整合到一起，功能強大，可擴展性高。
本文記錄了開(kāi)發(fā)短網(wǎng)址系統的整個(gè)過(guò)程，包括初期的算法調研、模塊設計、數據庫設計、功能擴展等。
什么是短鏈接 :link:
就是把普通網(wǎng)址，轉換成比較短的網(wǎng)址。比如： http://t.cn/RlB2PdD 這種，在微博這些限制字數的應用里。好處不言而喻。短、字符少、美觀(guān)、便于發(fā)布、傳播。
百度短網(wǎng)址 http://dwz.cn/
谷歌短網(wǎng)址服務(wù) https://goo.gl/ （需科學(xué)上網(wǎng)）號稱(chēng)是最快的 :rocket:
原理解析
當我們在瀏覽器里輸入 http://t.cn/RlB2PdD 時(shí)
DNS首先解析獲得 http://t.cn 的 IP 地址
當 DNS 獲得 IP 地址以后（比如：74.125.225.72），會(huì )向這個(gè)地址發(fā)送 HTTP GET 請求，查詢(xún)短碼 RlB2PdD
http://t.cn 服務(wù)器會(huì )通過(guò)短碼 RlB2PdD 獲取對應的長(cháng) URL
請求通過(guò) HTTP 301 轉到對應的長(cháng) URL https://m.helijia.com 。
這里有個(gè)小的知識點(diǎn)，為什么要用 301 跳轉而不是 302 吶？
301 是永久重定向，302 是臨時(shí)重定向。短地址一經(jīng)生成就不會(huì )變化，所以用 301 是符合 http 語(yǔ)義的。同時(shí)對服務(wù)器壓力也會(huì )有一定減少。
但是如果使用了 301 ，我們就無(wú)法統計到短地址被點(diǎn)擊的次數了。而這個(gè)點(diǎn)擊次數是一個(gè)非常有意思的大數據分析數據源。能夠分析出的東西非常非常多。所以選擇302雖然會(huì )增加服務(wù)器壓力，但是我想是一個(gè)更好的選擇。
來(lái)自知乎 iammutex 的 答案
算法實(shí)現
網(wǎng)上比較流行的算法有兩種 自增序列算法、 摘要算法
算法一
自增序列算法也叫永不重復算法
設置 id 自增，一個(gè) 10進(jìn)制 id 對應一個(gè) 62進(jìn)制的數值，1對1，也就不會(huì )出現重復的情況。這個(gè)利用的就是低進(jìn)制轉化為高進(jìn)制時(shí)，字符數會(huì )減少的特性。
短址的長(cháng)度一般設為 6 位，而每一位是由 [a - z, A - Z, 0 - 9] 總共 62 個(gè)字母組成的，所以 6 位的話(huà)，總共會(huì )有 62^6 ~= 568億種組合，基本上夠用了。
哈哈，這里附上一個(gè)進(jìn)制轉換工具 http://tool.lu/hexconvert/ 上圖的數據就是用這個(gè)工具生成的。
具體的算法實(shí)現，自行谷歌。
算法二
將長(cháng)網(wǎng)址 md5 生成 32 位簽名串，分為 4 段， 每段 8 個(gè)字節
對這四段循環(huán)處理， 取 8 個(gè)字節， 將他看成 16 進(jìn)制串與 0x3fffffff（30位1） 與操作， 即超過(guò) 30 位的忽略處理
這 30 位分成 6 段， 每 5 位的數字作為字母表的索引取得特定字符， 依次進(jìn)行獲得 6 位字符串
總的 md5 串可以獲得 4 個(gè) 6 位串，取里面的任意一個(gè)就可作為這個(gè)長(cháng) url 的短 url 地址
這種算法，雖然會(huì )生成4個(gè)，但是仍然存在重復幾率
兩種算法對比
第一種算法的好處就是簡(jiǎn)單好理解，永不重復。但是短碼的長(cháng)度不固定，隨著(zhù) id 變大從一位長(cháng)度開(kāi)始遞增。如果非要讓短碼長(cháng)度固定也可以就是讓 id 從指定的數字開(kāi)始遞增就可以了。百度短網(wǎng)址用的這種算法。上文說(shuō)的開(kāi)源短網(wǎng)址項目 YOURLS 也是采用了這種算法。 源碼學(xué)習
第二種算法，存在碰撞（重復）的可能性，雖然幾率很小。短碼位數是比較固定的。不會(huì )從一位長(cháng)度遞增到多位的。據說(shuō)微博使用的這種算法。
我使用的算法一。有一個(gè)不太好的地方就是出現的短碼是有序的，可能會(huì )不安全。我的處理方式是構造 62進(jìn)制的字母不要按順序排列。因為想實(shí)現自定義短碼的功能，我又對算法一進(jìn)行了優(yōu)化，下文會(huì )介紹。
流程圖
自增序列算法流程圖
st=>start: 開(kāi)始
e=>end: 結束
io1=>inputoutput: 輸入網(wǎng)址
io2=>inputoutput: 返回短網(wǎng)址
op1=>operation: 返回對應的短碼
op2=>operation: 保存輸入的網(wǎng)址到數據庫
op3=>operation: 根據id計算對應的短碼
op4=>operation: 更新短碼到數據庫
cond1=>condition: 查詢(xún)數據庫
是否存在對
應的短碼
st->io1->cond1
cond1（no,bottom）->op2->op3->op4->op1->io2->e
cond1（yes）->op1->io2->e
自增序列算法 + 用戶(hù)自定義短碼 流程圖
st=>start: 開(kāi)始
e=>end: 結束
io1=>inputoutput: 輸入網(wǎng)址
io2=>inputoutput: 返回短網(wǎng)址
io3=>inputoutput: 提示用戶(hù)
該短碼已存在
io4=>inputoutput: 提示用戶(hù)
不能輸入短鏈接
op1=>operation: 返回短碼
op2=>operation: 保存輸入的網(wǎng)址到數據庫
op3=>operation: 根據id計算對應的短碼
op4=>operation: 查詢(xún)數據庫
獲得一條
自定義短碼的url
對應的id記錄
op5=>operation: 更新短碼到數據庫
cond1=>condition: 查詢(xún)數據庫
是否存在該URL
cond2=>condition: 用戶(hù)選擇
自定義短碼
cond3=>condition: 生成的短碼
是否存在
cond4=>condition: 短碼是否存在
cond5=>condition: 短碼是否存在
cond6=>condition: 自定義的短碼
是否存在
cond7=>condition: 用戶(hù)輸入的是短鏈接
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
百度短網(wǎng)址還允許用戶(hù)自定義短碼，算法二 摘要算法，不和 id 綁定，好像挺好實(shí)現這個(gè)功能的。
但是自增序列算法是和 id 綁定的，如果允許自定義短碼就會(huì )占用之后的短碼，之后的 id 要生成短碼的時(shí)候就發(fā)現短碼已經(jīng)被用了，那么 id 自增一對一不沖突的優(yōu)勢就體現不出來(lái)了。
那么怎么實(shí)現自定義短碼吶？
我是這樣處理的：
數據庫增加一個(gè)類(lèi)型 type 字段，用來(lái)標記短碼是用戶(hù)自定義生成的，還是系統自動(dòng)生成的。
如果有用戶(hù)自定義過(guò)短碼，把它的類(lèi)型標記自定義。每次根據 id 計算短碼的時(shí)候，如果發(fā)現對應的短碼被占用了，就從類(lèi)型為自定義的記錄里選取一條記錄，用它的 id 去計算短碼。
這樣既可以區分哪些長(cháng)連接是用戶(hù)自己定義還是系統自動(dòng)生成的，還可以不浪費被自定義短碼占用的 id
我保留了 1 到 2 位的 短碼，從三位的短碼開(kāi)始生成的。就像域名的保留域名一樣，好的要自己預留 :smirk:
皖公網(wǎng)安備 34010202600669
