关于短网址系统的一点看法

声明：该文属于自己的一点点看法而已，仅供娱乐参考，勿喷。转载请标明：http://blog.csdn.net/lywybo

微博的短网址系统大家应该都不陌生吧。具体短网址是干嘛的，为什么要有短网址，我就不罗嗦了，不知道的直接google就成。
sina短网址域名是http://t.cn 腾讯短网址域名是http://url.cn

短网址的组成：
不说废话，只看sina和qq的，其他的忽略，毕竟实现起来有N种方法。sina和qq的都是域名+key的形式
key值目前由六位组成。每位62个字符（0-9，a-z，A-Z）。

很多人分析短网址系统就会说，先MD5或者其他的hash，然后各种与、各种或得出几组值，选其中一组即可。

我觉得有这种思路的人一般都是看到4gBOjY 、39qdlG 这种类型，就会联想到md5的结果的一部分，所以就用尽各种方法给扯到了md5的结果上，不是说这样做不妥，只是觉得可以有更好的方案。

6位62个字符，那么总量是固定的600多亿，也就是说短网址，不管你用啥子hash生成，只能生成600多亿个，只能存600多亿条网址。既然总数都是固定的，那么干嘛每次存一个新网址的时候要先生成MD5然后在把MD5包装过来包装过去得到一个6位的key呢，本身MD5就会碰撞，你缩到6位碰撞不就更厉害了么，重复了咋办呢？
直接来个62进制每次加一不就行了么，反正容量是固定的，hash过来hash过去有意思么？

短网址的特点：
1.短。key值仅6位、域名也很短
2.对于已经缩略的网址，直接返回已有的key
3.没有收录过的网址，会生成一个唯一的key表示

第一组测试
16:35 http://weibo.short.url.test.com/lywybo http://t.cn/aN6Go5
16:38 http://weibo.short.url.test.com/blog/lywybo http://t.cn/aN6Gry 与上个相比，表明是有序的
16:39 http://www.sina.com.cn/lywybo/csnd/blog http://t.cn/aN65Y4 与上两个相比，表明有序不是因为同个域
16:39 http://www.baidu.com http://t.cn/h5mwx 与上三个相比，表明已有的，直接返回key值

第二组测试

http://t.cn/aN65Y4 （我发的） ----------> http://www.sina.com.cn/lywybo/csnd/blog
http://t.cn/aN65Y3 （应该是别人新建的微群，才1个人。。。。截图时间和上面那个接近）



截图时间：16：41
说明不只你有序，别人和你一样，有序。

结论：综上所述，新浪的短网址是有序的。

废话说了那么多，终于进入正题了，说下我认为短网址的实现方式
我认为。。。。短网址系统，直接用（0-9，a-z，A-Z）组成的62进制数，不停累加就行了，新浪目前应该就是这么的实现方式。

存储格式：key--url--MD5
aaaaaa--http://www.baidu.com/1---MD5
aaaaab--http://www.baidu.com/2---MD5
aaaaac--http://www.baidu.com/2---MD5
aaaaad--http://www.baidu.com/2---MD5

key可以存一组索引，用于通过key访问转换url
MD5（hash）可以做一组索引，用来检测url是否已经被缩略过.
上文提到MD5会碰撞，重复的时候直接将碰撞的url读出直接比对即可。。。（这个时候不要忘记做记录log啊，因为你发现了新大陆了。。。）

数据的存储方式：
不推荐数据库存储，量大了之后不分库、分表，效率太低。分库、分表成本都太高了。还是直接像搜索引擎一样文件存储比较自由

比搜索引擎索引更简单的一点是：这个索引建立了之后不用更新的，一直往下存就是了，假设一条记录1K，都可以计算出需要使用多大的容量（还是很小的几块硬盘的事），索引的存储，类似搜索引擎切词后索引的分割做法，对索引在做索引。
其实可以将这种存储定性为双索引的小文件存储系统（key值顺序索引、MD5索引）
对于热门的url，直接LRU缓存起

扩展性：
当626满了怎么办呢？
1.key扩充到7位。。。
2.其他程序什么都不用变继续62进制，只是key值长度变长了。。。。

疑问：
可能有同学会问了，为嘛就一定会key变到7位啊？
那我就想反问一个，谁规定微博的key值一定是6位的？其实http://t.cn 本身就比 http://url.cn 少一位呢。也就是在新浪微博同样发带url的微博时候，你比qq微博可以多发一个字。
新浪微博



腾讯微博



回归到为嘛选6，因为6位的话就是600多亿，它足够大，短时间内用不完。。。貌似google索引网页的量也就一两千亿吧（查不到准确数据）。
所以用6够了。
为嘛不用5，因为用5的话就是10亿，小了点不是很靠谱。。。
为嘛不用7，用7就少一个字（新浪就是比腾讯多了一个字，所以现在比腾讯火。。。哈哈，开玩笑），等6满了在用7也不晚。

最后的期待：
1.期待http://t.cn/iloveu 的产生
2.期待6位key值耗尽的那天。。。。