C# URL短地址压缩算法及短网址原理解析
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:
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。
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。
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。
其实以上三点纯属个人观点,因为在我接下来的部分项目中会应用到,所以就了解了一下,下面先来看看短网址映射算法的理论(网上找到的资料):
将长网址md5生成32位签名串,分为4段,每段8个字节;
对这四段循环处理,取8个字节,将他看成16进制串与0x3fffffff(30位1)与操作,即超过30位的忽略处理;
这30位分成6段,每5位的数字作为字母表的索引取得特定字符,依次进行获得6位字符串;
总的md5串可以获得4个6位串;取里面的任意一个就可作为这个长url的短url地址;
很简单的理论,我们并不一定说得到的URL是唯一的,但是我们能够取出4组URL,这样几乎不会出现太大的重复。
下面来看看程序部分:
public static string[]ShortUrl(string url) { //可以自定义生成MD5加密字符传前的混合KEY string key= ”Leejor”; //要使用生成URL的字符 string[]chars= new string[]{ ”a”,”b”,”c”,”d”,”e”,”f”,”g”,”h”, ”i”,”j”,”k”,”l”,”m”,”n”,”o”,”p”, ”q”,”r”,”s”,”t”,”u”,”v”,”w”,”x”, ”y”,”z”,”0″,”1″,”2″,”3″,”4″,”5″, ”6″,”7″,”8″,”9″,”A”,”B”,”C”,”D”, ”E”,”F”,”G”,”H”,”I”,”J”,”K”,”L”, ”M”,”N”,”O”,”P”,”Q”,”R”,”S”,”T”, ”U”,”V”,”W”,”X”,”Y”,”Z” }; //对传入网址进行MD5加密 string hex=System.Web.Security.FormsAuthentication.HashPasswordForStoringInConfigFile(key+url, ”md5″); string[]resUrl= new string[4]; for (int i=0;i<4;i++) { //把加密字符按照8位一组16进制与0x3FFFFFFF进行位与运算 int hexint=0x3FFFFFFF&Convert.ToInt32(”0x” +hex.Substring(i*8,8),16); string outChars= string.Empty; for (int j=0;j<6;j++) { //把得到的值与0x0000003D进行位与运算,取得字符数组chars索引 int index=0x0000003D&hexint; //把取得的字符相加 outChars+=chars[index]; //每次循环按位右移5位 hexint=hexint>>5; } //把字符串存入对应索引的输出数组 resUrl[i]=outChars; } return resUrl; }
现在可以直接使用该方法,可以等到下面四组值:
ShortUrl(https://www.nhooo.com)[0]; //得到值fAVfui ShortUrl(https://www.nhooo.com)[1]; //得到值3ayQry ShortUrl(https://www.nhooo.com)[2]; //得到值UZzyUr ShortUrl(https://www.nhooo.com)[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:
TokyoCabinet是日本人MikioHirabayashi(平林幹雄)のページ开发的一款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/1000000recordes(2500000qps),写入100万数据只需要0.4秒。search:0.33sec/1000000recordes(3000000qps),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shorturl/longurl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。
CREATETABLEmappedURL(的CREATETABLEmappedURL( shortCodechar(6)not null, lognURL textnotnull, PRIMARYKEY shortCodeInd(shortCode), );
其次,你需要定义一个算法将长的URL映射到短的URL。算法上面已经介绍过了。
第三,你需要创建一个网页,从数据库的短网址的映射找到原始的URL,并重定向之。
———————————————————
MD5已经被破解了,因此不排除攻击者伪造相同MD5的url实现恶意目的的可能性。如果不考虑这种情况,md5collision的可能性应该是及其低的,估计你我有生之年都看不到。
另外偶不明白“相同的URL每次算出来的键值必须都是一样的”的实际用途会是什么。就算相同的URL对应不同的键值,一般也不会造成太大的浪费吧?只有6位的字母数字组合都可以容纳几十亿种变化。
我正是有md5collision的担心才问这个问题的。相同的URL要对应相同的键值是因为每一个URL地址都需要唯一的对应到数据库中的一条表数据,但直接用URL来查询会比较慢,因为:
将要存储的URL和相关的记录数据量非常大。
而且有些URL会很长,所以要用text字段。
而如果哈希出唯一的键值用varchar来存储,再根据这个键值去查询就会非常方便快捷。
就像git里面的objecthash,目前基本上不用考虑冲突吧。
bit.ly等urlshorter服务是怎么实现的?
需不需要从hash键值反向查找url?如果有这样的要求,url肯定需要存一个地方,这样就可以在冲突的时候进行再散列
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