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-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00