Matomo设备检测库中的Client Hints技术解析
什么是Client Hints
Client Hints是一项现代Web技术,允许服务器从浏览器获取更详细的客户端设备信息,而无需依赖传统的User-Agent字符串。这项技术在Matomo的device-detector库中得到了实现,为网站分析提供了更精确的设备检测能力。
Client Hints的两种获取方式
1. HTTP Header方式
通过HTTP头部获取Client Hints是传统的方式,需要服务器明确声明希望接收哪些提示信息。服务器可以通过以下三种方式请求客户端提示:
- PHP header函数:
header('accept-ch', implode(', ', [
'sec-ch-ua-full-version',
'sec-ch-ua-full-version-list',
'sec-ch-ua-platform',
'sec-ch-ua-platform-version',
'sec-ch-ua-arch',
'sec-ch-ua-bitness',
'sec-ch-prefers-color-scheme'
]));
- NGINX配置:
server {
add_header accept-ch "sec-ch-ua-full-version, sec-ch-ua-full-version-list, sec-ch-ua-platform, sec-ch-ua-platform-version, sec-ch-ua-arch, sec-ch-ua-bitness, sec-ch-prefers-color-scheme";
}
- HTML meta标签:
<meta http-equiv="Accept-CH" content="sec-ch-ua-full-version, sec-ch-ua-full-version-list, sec-ch-ua-platform, sec-ch-ua-platform-version, sec-ch-ua-arch, sec-ch-ua-bitness, sec-ch-prefers-color-scheme" />
需要注意的是,使用HTTP方式获取的Client Hints通常只在第二次请求时才会生效,因为第一次请求时浏览器还不知道服务器需要哪些提示信息。
2. JavaScript API方式
通过JavaScript的User-Agent Client Hints API可以更直接地获取客户端信息,这种方式能立即获得提示数据,不需要等待第二次请求。以下是典型的实现代码:
async function getClientHints() {
let hints = [
'brands',
'mobile',
'platform',
'platformVersion',
'architecture',
'bitness',
'wow64',
'model',
'uaFullVersion',
'fullVersionList'
];
let hintsData = await navigator.userAgentData.getHighEntropyValues(hints);
return JSON.parse(JSON.stringify(hintsData));
}
获取到数据后,可以通过AJAX等方式将数据发送到服务器进行分析。
Matomo设备检测库的实现
Matomo的device-detector库设计了一个灵活的ClientHints类,能够同时处理来自HTTP头部和JavaScript API的数据。这种设计使得开发者可以根据实际情况选择最适合的获取方式。
在内部实现上,库会将不同来源的数据统一处理,确保无论数据来自HTTP头部还是JavaScript API,都能得到一致的解析结果。例如,对于浏览器品牌和版本信息,无论是通过sec-ch-ua
头部传递的字符串格式,还是通过JavaScript API传递的JSON格式,都会被转换为统一的数据结构。
技术优势与应用场景
Client Hints相比传统User-Agent字符串具有多个优势:
- 更精确的数据:直接从浏览器获取信息,减少了UA字符串解析的误差
- 按需获取:只请求需要的提示信息,减少不必要的数据传输
- 更好的隐私控制:用户可以更精细地控制分享哪些设备信息
这项技术特别适合需要精确设备信息的场景,如:
- 网站分析工具
- 响应式设计适配
- 功能兼容性检测
- 性能优化决策
总结
Matomo的device-detector库通过支持Client Hints技术,为开发者提供了更现代、更精确的设备检测方案。无论是通过HTTP头部还是JavaScript API获取数据,都能得到一致且可靠的结果。随着浏览器对这项技术支持的不断完善,Client Hints有望成为未来Web开发中设备检测的标准方式。
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0118AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









