如何在本地部署Plausible社区版并追踪单页应用访问数据
前言
Plausible是一款轻量级的网站分析工具,其社区版(Plausible CE)允许用户自行部署。对于开发者而言,在正式上线前在本地环境测试其功能非常必要。本文将详细介绍如何在本地机器上通过Docker部署Plausible CE,并配置其追踪本地运行的React单页应用(SPA)的访问数据。
环境准备
在开始前,请确保您的系统已安装以下组件:
- Docker及Docker Compose
- Git
- OpenSSL(用于生成密钥)
部署步骤
1. 克隆项目代码
首先需要获取Plausible社区版的源代码。建议使用特定版本以确保稳定性:
git clone -b v2.1.3 --single-branch https://github.com/plausible/community-edition plausible-ce
cd plausible-ce
2. 配置环境变量
创建.env文件并设置必要的环境变量:
touch .env
echo "BASE_URL=http://localhost:8000" >> .env
echo "SECRET_KEY_BASE=$(openssl rand -base64 48)" >> .env
这里需要特别说明BASE_URL的配置:
- BASE_URL应设置为Plausible自身的访问地址
- 对于本地测试,使用http://localhost加端口号的形式
- 端口号8000是默认设置,可根据需要修改
3. 配置Docker端口映射
创建compose.override.yml文件来设置端口映射:
cat > compose.override.yml << EOF
services:
plausible:
ports:
- 8000:8000
EOF
4. 启动服务
使用Docker Compose启动所有服务:
docker compose up -d
配置单页应用追踪
1. 获取追踪代码
Plausible启动后,访问http://localhost:8000完成初始注册。在管理界面中,您可以获取用于追踪的JavaScript代码片段。
2. 集成到React应用
将获取的追踪代码添加到您的React单页应用中。对于使用Vite创建的React项目,可以在index.html或根组件中添加:
<script defer data-domain="localhost" src="http://localhost:8000/js/script.js"></script>
3. 特殊配置说明
对于本地开发环境,需要注意以下几点:
- 确保Plausible和您的应用使用不同的端口号
- 不需要配置HTTPS,直接使用HTTP协议
- 数据域(data-domain)可以设置为"localhost"或任何您喜欢的标识符
常见问题解决
1. 注册按钮无响应
如果遇到注册页面按钮无响应的情况,检查Docker日志中的错误信息。常见原因包括:
- 数据库初始化失败
- 端口冲突
- 环境变量配置错误
2. 数据不显示
如果追踪代码已添加但数据不显示:
- 确保Plausible服务正常运行
- 检查浏览器控制台是否有加载脚本的错误
- 确认没有广告拦截器阻止了追踪请求
进阶配置
1. 自定义端口
如果需要使用其他端口,修改compose.override.yml中的端口映射和.env中的BASE_URL即可。
2. 持久化数据
默认情况下,数据会随容器停止而消失。如需持久化,可以配置Docker卷来保存数据库数据。
结语
通过以上步骤,您已成功在本地部署了Plausible社区版,并配置其追踪本地开发的单页应用。这种配置非常适合开发阶段的测试和验证,待功能确认后再考虑生产环境部署。Plausible的轻量级特性使其成为替代Google Analytics的优秀选择,特别是在注重隐私保护的场景下。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08