Diseña un acortador de URLs

  • Lección 38 de 40
  • 14 min
  • Intermedio
  • 12 pasos

Juntas todo lo del curso en un caso real: un servicio que convierte URLs largas en códigos cortos. Partes de los requisitos y los números, y lo haces crecer resolviendo un cuello de botella cada vez.

Tiempo de redirección
5 ms
Consultas al almacén
400 pet/s
Códigos cortos
barajado
Enlaces guardados
6 TB × 3
personas que abren enlacesServidoresAPIAcortadorServidoresAPIServidoresAPIServidores APItabla de enlacesIDsbloquesIDsscraperCachécódigo → URLCachéalmacén clave-valorStreamde clicsStreamconteo de clicsRequisitoscrearURL larga → código cortoabrircódigo corto → redirecciónredirigirrápido y siempre disponiblecrear un enlacepuede tardar algo másCálculo de servilleta200 M enlaces / mes≈ 80 escrituras/s× 50 aperturas cada uno≈ 4.000 lecturas/spico de la tarde × 3≈ 12.000 lecturas/s5 años: 12.000 M enlaces≈ 6 TBvalores de ejemplo, 500 bytes por enlaceLa APIPOST /links { url }→ { code }GET /{code}→ 302 + Locationtablacode PK · long_url · expires_atcódigo = 7 caracteres de hash(url)código ocupado → reintentaDos URLs, un códigohash("…/informe-anual")→ Rk29fQa…hash("…/receta-de-pan")→ Rk29fQa…mismos 7 caracterescolisiónen cada escrituracomprobar, variar, reintentarcódigos de ejemplobloque 4.000.000 – 4.999.999Base 62alfabeto0–9 a–z A–Z100→ 1C4.000.000→ gMA862^7≈ 3,5 billones de códigosGET /gMA9, /gMAa…código = base62(barajar(id))Mismos ids, otro orden4.000.000 → gMA8el siguiente se adivina4.000.001 → gMA9y el otro también4.000.000 barajado→ Qx7mT2p4.000.001 barajado→ b0RkW9ecódigos barajados de ejemplo90 % aciertossolo los fallos: 10 %302 FoundDos tipos de redirección301 permanenteel navegador la guardamenos carga, sin conteo ni cambios302 temporalcada clic vuelvemétricas y control, más cargapartición = hash(código)3 copias en zonas distintasevento de clic, sin esperarredirección: ~5 msPOST /links × 3.000/minlímite de tasa · revisión de destino429El diseño terminadoCódigoscontador barajado, base 62únicos sin comprobarLecturacaché + 30250 lecturas por escrituraDatosclave-valor por hashuna clave por consulta, 6 TBClicseventos a un streamfuera del camino críticoAbusolímites, revisión, caducidadprotege el dominio
  • petición
  • fallo de caché
  • evento
  • lote
  • petición fallida

Paso 1 de 12

Concepto

El encargo: un acortador de enlaces

Es hora de juntar todo, de arriba abajo como en HLD y LLD. El encargo: un servicio donde pegas una URL larga y recibes una corta, como ejemplo.link/Qx7mT2p. Quien abre la corta termina en la original.

Antes de dibujar cajas, define qué significa que funcione. Debe crear enlaces cortos y redirigir. Debería caducar enlaces y contar clics. Y lo que más importa: las redirecciones tienen que ser rápidas y estar siempre disponibles, porque si el servicio cae se rompen todos los enlaces que se compartieron. Crear un enlace, en cambio, puede tardar un poco más.

Paso 2 de 12

Concepto

Ponle números

Primero, cálculo de servilleta (módulo 01), con valores de ejemplo. Supón 200 millones de enlaces nuevos al mes: unas 80 escrituras por segundo. Si cada enlace se abre unas 50 veces, salen unas 4.000 redirecciones por segundo de media y cerca de 12.000 en el pico.

En cinco años son 12.000 millones de enlaces. A unos 500 bytes cada uno, 6 TB. Dos cosas saltan a la vista: el sistema es de lectura intensiva (50 lecturas por cada escritura) y los datos son muchos, pero muy simples.

Qué cambió

  • 80 escrituras/s · 4.000 redirecciones/s · 12.000 en el pico
  • 12.000 millones de enlaces ≈ 6 TB en 5 años

Paso 3 de 12

Solución

Lo más simple que funciona

Dos endpoints. POST /links guarda una URL y devuelve un código; GET /{código} busca ese código y responde con una redirección.

Basta con una tabla: code (clave primaria), long_url, created_at y expires_at. Unos servidores API sin estado detrás de un balanceador, más una base de datos, son una primera versión perfectamente válida.

Qué cambió

  • Servidores API sin estado
  • Tabla de enlaces con el código como clave

Paso 4 de 12

Problema

¿De dónde salen los códigos? Prueba con un hash

Primera idea: calcular un hash de la URL larga y quedarte con sus 7 primeros caracteres. No hace falta coordinarse con nadie y la misma URL siempre da el mismo código.

Pero 7 caracteres no guardan un hash entero, así que URLs distintas acabarán compartiendo código, y con miles de millones de enlaces eso pasa a cada rato. Cada inserción tiene que comprobar si el código ya es de otra URL y reintentar con una variación. Además, dos personas que acortan la misma URL reciben el mismo código, así que ninguna puede tener su propia caducidad ni sus propias estadísticas.

Qué cambió

  • Código = 7 primeros caracteres de hash(url)
  • Colisiones: comprobar y reintentar en cada inserción

Paso 5 de 12

Solución

Cuenta y luego codifica

Mejor: da a cada enlace un número único y escríbelo en base 62, con dígitos, minúsculas y mayúsculas. Si el número de entrada es único, el código de salida también lo es, sin comprobar nada.

Siete caracteres en base 62 cubren 62^7 ≈ 3,5 billones de enlaces, unas 290 veces lo que necesitas. Los números salen de lo visto en IDs únicos a escala: cada servidor API reserva un bloque de un millón de ids en un pequeño servicio contador y lo va gastando en local.

Qué cambió

  • Servicio contador que reparte bloques de ids
  • Código = el id escrito en base 62
  • Ya no hay que comprobar colisiones

Paso 6 de 12

Problema

Caso: códigos que se pueden recorrer

Los códigos de un contador salen en orden: gMA8, gMA9, gMAa. Cualquiera puede recorrer el espacio entero y recolectar todos los enlaces creados, incluidos documentos «privados» y enlaces para restablecer contraseñas que alguien acortó.

La solución mantiene la unicidad y pierde el orden. O bien barajas cada id con una permutación reversible que depende de una clave antes de codificarlo, o bien eliges 7 caracteres al azar y dejas que la clave única de la tabla rechace el raro duplicado.

Qué cambió

  • Los códigos secuenciales se pueden enumerar
  • Los ids se barajan antes de codificarlos
  • Los códigos parecen aleatorios y siguen sin repetirse

Paso 7 de 12

Solución

Mandan las lecturas: ponles caché

Ahora el camino de lectura. Unos pocos enlaces se llevan la mayoría de los clics (lo que se comparte hoy, no lo del año pasado) y un enlace no cambia después de crearse. Es el caso ideal para una caché (ver Caché).

Pon delante una caché en memoria con código → URL larga. En el ejemplo, un 90 % de las redirecciones se resuelven ahí en un milisegundo y el almacén solo recibe los fallos: de 4.000 a 400 consultas por segundo. Como los enlaces no cambian, casi no hay nada que invalidar: bastan un TTL y expulsión LRU.

Qué cambió

  • Caché: código → URL larga
  • El 90 % de las redirecciones no llega al almacén
  • Redirección de 25 ms a 5 ms (valores de ejemplo)

Paso 8 de 12

Compromiso

¿Qué redirección: 301 o 302?

301 Moved Permanently deja que el navegador guarde la respuesta, así que el siguiente clic de esa persona ni siquiera llega a ti. Es la petición más barata posible, pero ya no puedes contar ese clic, cambiar el destino ni caducar el enlace para ella.

302 Found es temporal: cada clic vuelve a pasar por ti. Más carga, pero conservas el control y las métricas. La mayoría de los acortadores eligen 302 y dejan que la caché absorba el coste.

Qué cambió

  • Decisión: responder con 302 para conservar métricas y control

Paso 9 de 12

Solución

Seis terabytes de claves: repártelos

12.000 millones de filas no van a estar cómodas en una sola máquina. Pero mira cómo se usan: cada consulta es «dame este código». Sin joins, sin rangos, sin transacciones de varias filas.

Eso es justo para lo que sirve un almacén clave-valor distribuido (ver SQL o NoSQL). Particiona por un hash del código para que la carga se reparta pareja (Sharding, Hashing consistente) y guarda tres copias de cada partición en zonas distintas (Replicación). En la escena se muestran cuatro particiones.

Qué cambió

  • Una base de datos → almacén clave-valor particionado
  • 3 réplicas de cada partición, en zonas distintas
  • Cada redirección toca exactamente una partición

Paso 10 de 12

Técnica

Contar clics sin frenarlos

Producto quiere el número de clics de cada enlace. Lo ingenuo, UPDATE links SET clicks = clicks + 1 en cada redirección, convierte 4.000 lecturas baratas por segundo en 4.000 escrituras, todas sobre las filas más calientes.

En su lugar, el servidor API deja un evento de clic diminuto en un stream y responde la redirección en el acto. Un consumidor suma los eventos por enlace cada pocos segundos, en lotes (ver Colas de mensajes y Batch y streaming).

Qué cambió

  • Eventos de clic → stream
  • Un consumidor agrega los conteos por lotes
  • La redirección no cambia: sigue en unos 5 ms

Paso 11 de 12

Problema

Caso: el spam adora los acortadores

Un enlace corto oculta adónde lleva, perfecto para el phishing. Un script empieza a crear 3.000 enlaces por minuto hacia páginas falsas de un banco. Pronto tu dominio entero acaba en listas de bloqueo y dejan de funcionar los enlaces de todos tus usuarios.

Defiéndete por capas. Limita la creación de enlaces por cuenta y por IP (Rate limiting), con 429 para el exceso. Revisa cada destino contra listas de phishing y malware al crearlo y otra vez más adelante. Y haz que los enlaces caduquen, para que los abandonados dejen de ser un riesgo.

Qué cambió

  • Límite de tasa en POST /links
  • Revisión de seguridad del destino
  • Los enlaces caducan (TTL)

Paso 12 de 12

Resumen

El diseño terminado

Códigos: un contador barajado y escrito en base 62 da códigos únicos sin comprobar nada y difíciles de recorrer.

Lectura: caché delante y 302, porque hay 50 lecturas por cada escritura y quieres conservar las métricas.

Datos: almacén clave-valor particionado por hash del código, con tres copias de cada partición.

Clics y abuso: eventos a un stream fuera del camino crítico, y límites, revisión de destinos y caducidad para proteger el dominio.

Fíjate más en el método que en la respuesta: requisitos → números → diseño simple → buscar el cuello de botella → arreglarlo → repetir.

Aprenderás

  • Pasar de un encargo a requisitos y números
  • Generar códigos cortos que nunca se repitan
  • Diseñar la lectura: caché y tipo de redirección
  • Guardar miles de millones de pares clave → valor
  • Sacar métricas y abuso del camino crítico