asp.net - 查找并删除孤立的网页、图像和其他相关文件

Question

我正在处理许多网站，其文件可追溯到 2000 年。这些网站随着时间的推移而有机增长，导致大量孤立网页，包括文件、图像、CSS 文件、JavaScript 文件等...这些孤立文件会导致许多问题，包括可维护性差、可能存在安全漏洞、客户体验差以及让像我这样的 OCD/GTD 怪胎发疯。

这些文件的数量有数千个，因此完全手动的解决方案是不可行的。最终，清理过程将需要相当大的质量检查工作，以确保我们不会无意中删除所需的文件，但我希望开发一种技术解决方案来帮助加快手动工作速度。此外，我希望将流程/实用程序落实到位，以帮助防止将来发生这种困惑状态。

环境考虑因素:

• 经典 ASP 和 .Net
• 运行 IIS 6 和 IIS 7 的 Windows 服务器
• 多种环境(开发、集成、QA、阶段、生产)
• 用于源代码控制的 TFS

在开始之前，我想从成功完成类似流程的其他人那里获得一些反馈。

具体来说，我正在寻找:

• 识别和清理孤立文件的流程
• 保持环境中没有孤立文件的过程
• 帮助识别孤立文件的实用程序
• 帮助识别损坏链接的实用程序(文件删除后)

我不是在寻找:

• 针对我的组织强制症的解决方案...我喜欢我现在的样子。
• Snide 对我们仍在使用经典 ASP 的评论。我已经感觉到疼痛了。无需擦进去。

Answer 1

起初，我认为您可以通过扫描文件中的链接，然后对文件夹结构进行比较来摆脱困境 - 但这只能识别简单的孤立文件，而不是相互引用的孤立文件的集合。因此，使用 grep 可能无法帮助您实现这一目标。

这不是一个简单的解决方案，但可以成为保持环境清洁的出色实用程序(因此值得付出努力)。另外，您可以在所有环境中重复使用它(并与其他人共享!)

基本思想是设置并填充一个有向图，其中每个节点的键都是绝对路径。这是通过扫描所有文件并添加依赖项来完成的 - 例如:

/index.html     -> /subfolder/file.jpg
                -> /subfolder/temp.html
                -> /error.html
/temp.html      -> /index.html
/error.html     
/stray.html     -> /index.html
/abandoned.html

然后，您可以通过在根页面上执行 BFS 来识别所有“可访问”文件。

使用方向图，您还可以按文件的进出度对文件进行分类。在上面的例子中:

/index.html     in: 1 out: 2
/temp.html      in: 1 out: 1
/error.html     in: 1 out: 0
/stray.html     in: 0 out: 1
/abandoned.html in: 0 out: 0

因此，您基本上是在寻找已放弃的 in = 0 的文件。

此外，out = 0 的文件将成为终端页面；这在您的网站上可能是理想的，也可能是不理想的(如错误所示，这是一个错误页面)。