短URL系統是怎麼設計的?

最爛的回答

實現一個算法,將長地址轉成短地址。實現長和短一一對應。然後再實現它的逆運算,將短地址還能換算回長地址。

這個回答看起來挺完美的,然後候選人也會說現在時間比較短,如果給我時間我去找這個算法就解決問題瞭。但是稍微有點計算機或者信息論常識的人就能發現,這個算法就跟永動機一樣,是永遠不可能找到的。即使我們定義短地址是100位。那麼它的變化是62的100次方。62=10數字+26大寫字母+26小寫字母。無論這個數多麼大,他也不可能大過世界上可能存在的長地址。所以實現一一對應,本身就是不可能的。

再換一個說法來反駁,如果真有這麼一個算法和逆運算,那麼基本上現在的壓縮軟件都可以歇菜瞭,而世界上所有的信息,都可以壓縮到100個字符。這~可能嗎。

另一個很爛的回答

和上面一樣,也找一個算法,把長地址轉成短地址,但是不存在逆運算。我們需要把短對長的關系存到DB中,在通過短查長時,需要查DB。

怎麼說呢,沒有改變本質,如果真有這麼一個算法,那必然是會出現碰撞的,也就是多個長地址轉成瞭同一個短地址。因為我們無法預知會輸入什麼樣的長地址到這個系統中,所以不可能實現這樣一個絕對不碰撞的hash函數。

比較爛的回答

那我們用一個hash算法,我承認它會碰撞,碰撞後我再在後面加1,2,3不就行瞭。

ok,這樣的話,當通過這個hash算法算出來之後,可能我們會需要做btree式的大於小於或者like查找到能知道現在應該在後面加1,2,或3,這個也可能由於輸入的長地址集的不確定性。導致生成短地址時間的不確定性。同樣爛的回答還有隨機生成一個短地址,去查找是否用過,用過就再隨機,如此往復,直到隨機到一個沒用過的短地址。

正確的原理

上面是幾種典型的錯誤回答,下面咱們直接說正確的原理。

正確的原理就是通過發號策略,給每一個過來的長地址,發一個號即可,小型系統直接用mysql的自增索引就搞定瞭。如果是大型應用,可以考慮各種分佈式key-value系統做發號器。不停的自增就行瞭。第一個使用這個服務的人得到的短地址是 http://xx.xx/0 第二個是 http://xx.xx/1 第11個是 http://xx.xx/a 第依次往後,相當於實現瞭一個62進制的自增字段即可。

幾個子問題

1. 62進制如何用數據庫或者KV存儲來做?

其實我們並不需要在存儲中用62進制,用10進制就好瞭。比如第10000個長地址,我們給它的短地址對應的編號是9999,我們通過存儲自增拿到9999後,再做一個10進制到62進制的轉換,轉成62進制數即可。這個10~62進制轉換,你完全都可以自己實現。

2. 如何保證同一個長地址,每次轉出來都是一樣的短地址

上面的發號原理中,是不判斷長地址是否已經轉過的。也就是說用拿著百度首頁地址來轉,我給一個http://xx.xx/abc 過一段時間你再來轉,我還會給你一個 http://xx.xx/xyz。這看起來挺不好的,但是不好在哪裡呢?不好在不是一一對應,而一長對多短。這與我們完美主義的基因不符合,那麼除此以外還有什麼不對的地方?

有人說它浪費空間,這是對的。同一個長地址,產生多條短地址記錄,這明顯是浪費空間的。那麼我們如何避免空間浪費,有人非常迅速的回答我,建立一個長對短的KV存儲即可。嗯,聽起來有理,但是。。。這個KV存儲本身就是浪費大量空間。所以我們是在用空間換空間,而且貌似是在用大空間換小空間。真的劃算嗎?這個問題要考慮一下。當然,也不是沒有辦法解決,我們做不到真正的一一對應,那麼打個折扣是不是可以搞定?

這個問題的答案太多種,各有各招。這個方案最簡單的是建立一個長對短的hashtable,這樣相當於用空間來換空間,同時換取一個設計上的優雅(真正的一對一)。實際情況是有很多性價比高的打折方案可以用,這個方案設計因人而異瞭。那我就說一下我的方案吧。

我的方案是:用key-value存儲,保存最近生成的長對短的一個對應關系。註意是最近,也就是說,我並不保存全量的長對短的關系,而隻保存最近的。比如采用一小時過期的機制來實現LRU淘汰。

這樣的話,長轉短的流程變成這樣:

在這個最近表中查看一下,看長地址有沒有對應的短地址

有就直接返回,並且將這個key-value對的過期時間再延長成一小時

如果沒有,就通過發號器生成一個短地址,並且將這個最近表中,過期時間為1小時

所以當一個地址被頻繁使用,那麼它會一直在這個key-value表中,總能返回當初生成那個短地址,不會出現重復的問題。如果它使用並不頻繁,那麼長對短的key會過期,LRU機制自動就會淘汰掉它。

當然,這不能保證100%的同一個長地址一定能轉出同一個短地址,比如你拿一個生僻的url,每間隔1小時來轉一次,你會得到不同的短地址。但是這真的有關系嗎?

3. 如何保證發號器的大並發高可用

上面設計看起來有一個單點,那就是發號器。如果做成分佈式的,那麼多節點要保持同步加1,多點同時寫入,這個嘛,以CAP理論看,是不可能真正做到的。其實這個問題的解決非常簡單,我們可以退一步考慮,我們是否可以實現兩個發號器,一個發單號,一個發雙號,這樣就變單點為多點瞭?依次類推,我們可以實現1000個邏輯發號器,分別發尾號為0到999的號。每發一個號,每個發號器加1000,而不是加1。這些發號器獨立工作,互不幹擾即可。而且在實現上,也可以先是邏輯的,真的壓力變大瞭,再拆分成獨立的物理機器單元。1000個節點,估計對人類來說應該夠用瞭。如果你真的還想更多,理論上也是可以的。

4. 具體存儲如何選擇

這個問題就不展開說瞭,各有各道,主要考察一下對存儲的理解。對緩存原理的理解,和對市面上DB、Cache系統可用性,並發能力,一致性等方面的理解。

5. 跳轉用301還是302

這也是一個有意思的話題。首先當然考察一個候選人對301和302的理解。瀏覽器緩存機制的理解。然後是考察他的業務經驗。301是永久重定向,302是臨時重定向。短地址一經生成就不會變化,所以用301是符合http語義的。同時對服務器壓力也會有一定減少。

但是如果使用瞭301,我們就無法統計到短地址被點擊的次數瞭。而這個點擊次數是一個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雖然會增加服務器壓力,但是我想是一個更好的選擇。

  • 301跳轉常見問題匯總
  • 再談Canonical標簽:與301有何區別?

大概就是這樣。

延伸閱讀:

  • 在方便為王的時代 老太太裹腳佈般的URL會怎樣?
  • 站長學院:URL中使用#號對網站真的好嗎?
  • 談談電商網站URL規范與設置技巧
  • 新手必看:URL綜合優化指南 成敗隻在一瞬間