WWW孤立文件發(fā)現機制的設計與應用.pdf

1、隨著網站的維護和發(fā)展，尤其是網頁的鏈接維護和刪除，致使在網站服務器上產生越來越多的孤立文件(Isolated Web Files，IWF)。孤立文件存在于 WEB服務目錄中，具有完整有效的URL地址。通常該文件不能通過正常的超級鏈接或非磁盤文件遍歷方式的網站搜索結果所取得，而僅能輸入準確URL地址進行訪問。孤立文件不僅浪費服務器的存儲空間、危害系統(tǒng)安全，而且可能導致泄密、引發(fā)著作權糾紛或侵犯隱私等問題發(fā)生。使用其提供的錯誤信息指導實踐可

2、能帶來不可預期的后果。為使網站內容保持完整性和可控性，需要研究WWW孤立文件的形成原因及發(fā)現機制。
　　 本文在分析孤立文件成因的基礎上，提出判斷孤立文件的機制：在網站任一靜態(tài)網頁的HTML源代碼及網頁資源來源數據庫記錄中均不含有對該文件的引用；在WEB日志中含有對該文件的有效引用則為相對孤立文件(Relative Isolated Web Files，RIWF)，否則是絕對孤立文件(Absolute Isolated Web

3、Files，AIWF)。判斷孤立文件時，首先遍歷WEB發(fā)布目錄，得到全部文件清單并保存在數據庫中；然后遍歷服務器上靜態(tài)網頁HTML源代碼及數據庫相關記錄，將全部URL保存在數據庫中；接著將WEB文件清單和URL記錄進行比對，在URL記錄中沒有找到的WEB文件即為孤立文件。最后將孤立文件與WEB日志進行對比，找出相對孤立文件和絕對孤立文件。對網頁源代碼的分析，需要采用正則表達式，因此本研究構造并運用了適合URL分析的正則表達式。