Umami项目中的动态加载跟踪脚本方案探讨
2025-05-08 10:55:31作者:秋泉律Samson
Umami作为一款开源的网站分析工具,其标准实现方式是通过在HTML页面中直接插入script标签来加载跟踪脚本。但在某些特殊场景下,开发者可能需要更灵活的控制方式,比如根据运行环境动态决定是否加载跟踪功能。
标准实现方式的问题
Umami的标准实现是通过在HTML头部插入预配置的script标签,这种方式简单直接但缺乏灵活性。当开发者需要:
- 区分生产环境和开发环境
- 处理离线文档的访问场景
- 根据网络条件动态决定是否启用跟踪 时,标准实现就显得力不从心。
动态加载方案
Umami核心开发者提出了几种替代方案来解决这一问题:
1. 条件式脚本注入
通过JavaScript动态创建和插入script标签,这种方式可以在运行时决定是否加载跟踪脚本:
function loadUmami() {
if (window.location.hostname === 'production-domain.com') {
const el = document.createElement('script');
el.src = 'https://analytics.example.com/umami.js';
el.dataset.websiteId = '94db1cb1-74f4-4a40-ad6c-962362670409';
document.body.appendChild(el);
}
}
2. 使用data-domains属性
Umami原生支持通过data-domains属性限制跟踪的域名范围:
<script
src="https://analytics.example.com/umami.js"
data-website-id="94db1cb1-74f4-4a40-ad6c-962362670409"
data-domains="production-domain.com">
</script>
这种方式可以确保跟踪脚本只在指定域名下激活。
进阶方案探讨
对于更复杂的场景,开发者可以考虑:
- 混合检测方案:结合域名检测和网络状态检测,在确保用户在线且处于生产环境时才加载跟踪脚本
- Service Worker拦截:通过Service Worker拦截跟踪脚本请求,根据条件决定是否实际发送请求
- 构建时注入:在构建流程中根据环境变量决定是否包含跟踪脚本
最佳实践建议
- 对于简单的环境区分,优先使用data-domains属性
- 需要更复杂条件判断时,采用动态脚本注入
- 在文档类应用中,考虑添加离线检测逻辑
- 始终确保用户隐私得到尊重,提供明确的退出机制
通过这些方案,开发者可以在保持Umami核心功能的同时,获得更大的灵活性和控制权,适应各种特殊场景的需求。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
8
暂无简介
Dart
643
149
Ascend Extension for PyTorch
Python
203
219
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
654
282
React Native鸿蒙化仓库
JavaScript
248
317
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.13 K
631
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
77
100
仓颉编译器源码及 cjdb 调试工具。
C++
130
861
仓颉编程语言运行时与标准库。
Cangjie
134
873