短URL链接系统

定义：　　

　　短网址（Short URL），顾名思义就是在形式上比较短的网址。但不知道有多少人像我一样，由于面试问道才知道有这种系统而对短连接原理好奇，从而进行进一步的研究。在Web 2.0的今天，不得不说，这是一个潮流。目前已经有许多类似服务(短网址服务，现在大部分微博、手机邮件提醒等地方已经有很多应用模式了，并占据了一定的市场)，借助短网址您可以用简短的网址替代原来冗长的网址，让使用者可以更容易的分享链接。例如：http://t.cn/SzjPjA。

　　自从twitter推出短网址(shorturl)，继之国内各大微博跟风，google公开goo.gl使用API，短网址之风愈演愈烈。不得不说这是一个新兴又一大热门web2.0服务。

为什么要这样做的，原因我想有这样几点：

　　1、微博限制字数为140字一条，那么如果我们需要发一些连接上去，但是这个连接非常的长，以至于将近要占用我们内容的一半篇幅，这肯定是不能被允许的，所以短网址应运而生了。
　　2、短网址可以在我们项目里可以很好的对开放级URL进行管理。有一部分网址可以会涵盖暴力，广告等信息，这样我们可以通过用户的举报，完全管理这个连接将不出现在我们的应用中，应为同样的URL通过加密算法之后，得到的地址是一样的。
　　3、我们可以对一系列的网址进行流量，点击等统计，挖掘出大多数用户的关注点，这样有利于我们对项目的后续工作更好的作出决策。

短连接构成：

　　协议+域名+参数

　　例如：http://t.cn/SzjPjA 主要是参数：SzjPjA。这个是唯一标识。

短链接的好处：

　　1、内容需要；

　　2、用户友好；

　　3、便于管理。

短连接用途：

　　最简单的用途就是他的名字直译“短”的“链接”，可以把长长的一串链接(例如：亚马逊的购买链接)缩短成为几个简单的字符。

短连接原理：

　　短连接原理非常简单，就是用户访问短连接地址，到达我们的短连接网站，然后网站通过短连接里的code，查询数据库得到原始url，然后让网页跳转到原始url即可。

　　1、针对小型应用：
　　　　1）通过发号策略，给每一个过来的长地址，发一个号即可，小型系统直接用mysql的自增索引就搞定了。
　　　　2）创建一张数据库表，仅需要有2列即可：code列和url列。code列也就是标识列，建议直接设置为自增主键。用于存储短连接参数代码，也就是短连接里的code。

　　url列用于存储要跳转的原始url。

　　2、针对大型应用：
　　　　可以考虑各种分布式key-value系统做发号器。不停的自增就行了。第一个使用这个服务的人得到的短地址是http://xx.xx/0 第二个是 http://xx.xx/1 第11个是 http://xx.xx/a

　　 依次往后，相当于实现了一个自增字段即可。

　　所说的链接推广分析功能，就是在这个过程中，记录访客的某些信息，例如：访问时间、访问的短链接、访客的IP、访客的UserAgent信息等。基于这些信息，配合推广方式，就可以辅助判断出什么时间，什么范围，什么人群的推广更有曝光效果。

短链接实现方法：

面试时，我的回答：
　　1、小型的就用数据库就好，利用自增ID作为参数；
　　2、大型的也就是高并发的情况，使用redis这种k-v存储系统进行存储。我的思路如下：利用列表存储，每个列表存储1万个数据；redis中每个列表的key从1开始(也就是对1万做整除)；如果想得到某个短链接对应的原地址，那就通过divmod函数进行计算，他的商就代表是第几个列表，余数代表他的位置。这样去获取。
　　3、如果使用redis去实现的化，怎么保证你的系统内存不被撑爆？就是说我上一种存储机制是完全把数据存放在内存中的！我当时的回答是每隔一段时间做一次持久化。
　　4、内存的问题解决了，但是如果过一段时间我再来获取我存放的原url地址(假如我做持久化的时间是每隔12个小时，原数据已经存放到数据库中)，这种情况怎么解决？我当时的回答是从数据表(表结构的设计是：原url，还有个num列)中批量获取一段数据，放入redis（但是这样的话就没有考虑高访问的情况，相当于是又把内存撑爆了）。

　　5、并发的问题。

网上查找得到的解决方案：(由简入难)

第一种：
　　26个大写字母 26小写字母，10个数字，随机生成6个然后插入数据库对应一个id，短连接跳转的时候，根据字符串查询到对应id，即可实现相应的跳转！不过2的62次方，不知道有没有重复的，小概率可以，但是对应不是很大的网站应该足够了。

第二种：
　　通过发号策略进行存储
几个子问题：
1、如何用数据库或者KV存储来做？
　　用10进制去记录。比如第10000个长地址，我们给它的短地址对应的编号是9999，我们通过存储自增拿到9999后，作为参数加到短链接之后；另一种方式就是拿到这个数之后，再做一个进制转换，例如10进制转成16进制(晋级版的可以考虑加密)。

2、如何实现同一个长地址多次转换，出来还是同一个短地址？
　　上面的发号原理中，是不判断长地址是否已经转过的。也就是说用拿着百度首页地址来转，我给一个http://xx.xx/abc 过一段时间你再来转，我还会给你一个 http://xx.xx/xyz。这看起来挺不好的，但是不好在哪里呢？不好在不是一一对应，而一长对多短。这与我们完美主义的基因不符合，那么除此以外还有什么不对的地方？
　　有人说它浪费空间，这是对的。同一个长地址，产生多条短地址记录，这明显是浪费空间的。那么我们如何避免空间浪费，有人非常迅速的回答我，建立一个长对短的KV存储即可。嗯，听起来有理，但是。。。这个KV存储本身就是浪费大量空间。所以我们是在用空间换空间，而且貌似是在用大空间换小空间。真的划算吗？这个问题要考虑一下。当然，也不是没有办法解决，我们做不到真正的一一对应，那么打个折扣是不是可以搞定？
　　这个方案最简单的是建立一个长对短的hashtable，这样相当于用空间来换空间，同时换取一个设计上的优雅（真正的一对一）。而实际情况是有很多性价比高的打折方案可以用。我的方案是：用key-value存储，保存“最近”生成的长对短的一个对应关系。注意是“最近”，也就是说，我并不保存全量的长对短的关系，而只保存最近的。比如采用一小时过期的机制来实现LRU淘汰。

这样的话，长转短的流程变成这样：
　　1.0 在这个“最近”表中查看一下，看长地址有没有对应的短地址
　　1.1 有就直接返回，并且将这个key-value对的过期时间再延长成一小时
　　1.2 如果没有，就通过发号器生成一个短地址，并且将这个“最近”表中，过期时间为1小时
　　所以当一个地址被频繁使用，那么它会一直在这个key-value表中，总能返回当初生成那个短地址，不会出现重复的问题。如果它使用并不频繁，那么长对短的key会过期，LRU机制自动就会淘汰掉它。
　　当然，这不能保证100%的同一个长地址一定能转出同一个短地址，比如你拿一个生僻的url，每间隔1小时来转一次，你会得到不同的短地址。这样做对整个短系统是没有影响的。

3、如何保证发号器的大并发高可用？
　　上面设计看起来有一个单点，那就是发号器。如果做成分布式的，那么多节点要保持同步加1，多点同时写入，这个嘛，以CAP理论看，是不可能真正做到的。其实这个问题的解决非常简单，我们可以退一步考虑，我们是否可以实现两个发号器，一个发单号，一个发双号，这样就变单点为多点了？依次类推，我们可以实现1000个逻辑发号器，分别发尾号为0到999的号。每发一个号，每个发号器加1000，而不是加1。这些发号器独立工作，互不干扰即可。而且在实现上，也可以先是逻辑的，真的压力变大了，再拆分成独立的物理机器单元。1000个节点，估计对人类来说应该够用了。如果你真的还想更多，理论上也是可以的。

4、具体存储如何选择？
　　这个问题就不展开说了，各有各道，主要考察的是对存储的理解。对缓存原理的理解，和对市面上DB、Cache系统可用性，并发能力，一致性等方面的理解。

5、跳转用301还是302？
　　这也是一个有意思的话题。首先当然考察一个候选人对301和302的理解。浏览器缓存机制的理解。然后是考察他的业务经验。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。