C# URL短地址压缩算法及短网址原理解析
投稿：junjie
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.jb51.net)[0]; //得到值fAVfui
ShortUrl(https://www.jb51.net)[1]; //得到值3ayQry
ShortUrl(https://www.jb51.net)[2]; //得到值UZzyUr
ShortUrl(https://www.jb51.net)[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/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。
CREATE TABLE mappedURL (的CREATE TABLE mappedURL（
shortCode char (6) not null ,
lognURL text not null ,
PRIMARY KEY 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，md5 collision 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md5 collision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object hash， 目前基本上不用考虑冲突吧。
bit.ly等url shorter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