转载 URL短地址压缩算法 微博短地址原理解析

短网址应用已经在全国各大微博上开始流行了起来。例如QQ微博的url.cn，新郎的sinaurl.cn等。

我们在QQ微博上发布网址的时候，微博会自动判别网址，并将其转换，例如：http://url.cn/2hytQx

为什么要这样做的，原因我想有这样几点：

?现在可以直接使用该方法，可以等到下面四组值：

?

ShortUrl(http://www.me3.cn)[0];? //得到值fAVfui??
ShortUrl(http://www.me3.cn)[1];? //得到值3ayQry??
ShortUrl(http://www.me3.cn)[2];? //得到值UZzyUr??
ShortUrl(http://www.me3.cn)[3];? //得到值36rQZn

?

在存放这个URL的数据方面，我个人推荐TTServer，有的朋友可以没有听说过，下面是这个数据库的介绍：

Tokyo Cabinet 是日本人 Mikio Hirabayashi（平林雄）のペジ 开发的一款DBM数据库(注：大名鼎鼎的DBM数据库qdbm就是他开发的)，该数据库读写非常快。insert:0.4sec/1000000 recordes(2500000qps)，写入100万数据只需要0.4秒。search:0.33sec/1000000 recordes (3000000 qps)，读取100万数据只需要0.33秒。

可以看到对于字典类型的数据Key/Value的查询，这个数据库可以说是我目前见过效率非常高的，况且他如此的小巧，用来对short url/long url的配对再好不过。

该系统使用6个短码字符来表示任何长度的网址。 有效的字符代码是ASCII 'A'到'Z'和'0'的'5'，其中每个字符包含2 ^ 5（32）状态。? 6短码字符可用于绘制32 ^ 6（1073741824）的网址?

首先，你需要一个数据库表来存储和检索你映射的网址。?

MD5是128位hash码（4个整数，每个整数4个字节）。因此，一个url的MD5码，有2的128次方（即2e128）个可能。随意找出来的两个url的MD5码相等的可能性，是2e128分之一，即r=2e-128
假如url经MD5后插入数据库，第一个url插入的不会发生重复，第二个MD5插入时，它跟第一条重复的概率是r。第三条url插入时，重复概率 是2×r，以此类推，第n条插入时发生重复的概率是(n-1)×r。n个MD5码，其中有两个重复的概率是这些概率加和。（1＋2＋3＋...+(n- 1))×r = (1/2)×n×(n-1)×r
对于n个MD5码的集合，存在重复的概率是（1/2)*(n/2e64)e2
因此，只有n大到可以与2e64比拟，才需要考虑它的冲突问题。而2的64次方还是很大的。
所以，只要不是恶意攻击，一般应用是不太会有collision的