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。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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
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
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