Umami项目中的动态加载跟踪脚本方案探讨
2025-05-08 20:16:16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
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
426
3.26 K
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++
689
335
暂无简介
Dart
686
161
Ascend Extension for PyTorch
Python
231
265
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
React Native鸿蒙化仓库
JavaScript
266
326
🎉 (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
1.22 K
667
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
25
30