用户代理头——mysql存储的缩写

Question

根据这个线程，特别是这个帖子：https : //stackoverflow.com/a/6595973/1125465，微软一如既往地炫耀。用户代理的规模可以非常非常大。

我正在用 php 开发一个小访客库，我想存储用户代理信息。我无法决定数据类型和长度。

所以我的问题是：关于如何将用户代理缩短到一些“正常”大小，您有什么想法吗？（例如 256 个字符）。

---

注意：开发人员使用用户代理来检测用户浏览器和操作系统。所以根据链接的例子，来自 M$ 的所有愚蠢数字都只是......只是。和往常一样，让我们​​紧张。所以我们的想法是制作一个缩短用户代理字符串但不会丢失重要信息的函数。

我认为这样的功能应该：

• 不依赖于未来的更新和新浏览器（无硬编码字符串）
• 有一个简单的机制来决定删除什么（例如，如果有一个数字，逗号，数字，逗号，数字，逗号，数字，...，它可以删除它，这没什么意思）。
• 最后，如果所有操作仍然导致用户代理过长（假设为 256 个字符），则无事可做，因此只需切断其余部分即可。这是百万分之一，因此数据可能会丢失。

---

附加说明：我知道，我可以创建一个从用户代理获取浏览器和操作系统类型的函数，并且只保存这些值。但是像往常一样，这样的函数有硬编码的名字，如果浏览器不被识别，它例如返回“无法识别的浏览器”。所以将来每个人都必须记住更新这些功能。如果我们保存缩短用户代理，信息是'不会丢失（因为只有读取数据库的脚本必须有新的识别系统）。但是数据库中的条目应该是可靠且一致的。

---

更新： 由于应该有一些代码，并且想法有问题，而不是现有代码的问题，我将编写一些我迄今为止编写的最小代码;)：

<?php
    function shorten($useragent, $maxsize = 256) {
        $shorten = $useragent;
        ... // ?
        $shorten = substr($shorten, 0, $maxsize); // the "last hope" cut
        return $shorten;
    }
    echo shorten($_SERVER['HTTP_USER_AGENT']);
?>

Answer 1

User-Agent 字符串没有规则，因此无法创建完全正确且面向未来的解析器。不过有一个通用的模式：

User-Agent: <engine-string> <engine-string> ...

哪里engine-string有表格：

<agent-name> (<comment>; <comment>; ...)

每个引擎字符串（我只是根据我的理解称它为，这可能不正确）可能有也可能没有评论。

例如：

Mozilla/5.0 (iPhone; CPU iPhone OS 6_0 like Mac OS X) ?
AppleWebKit/536.26 (KHTML, like Gecko) Version/6.0 Mobile/10A5376e ?
Safari/8536.25 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)

（这是一个单一的字符串，我只是把它分成几行。）似乎，每当有人对浏览器引擎进行分叉时，他们只是将他们的东西附加到末尾。所以我们有一些抽象的“Mozilla”浏览器（“第一次浏览器战争”的遗产），它认为它是在 iPhone 上。然后我们看到有一个WebKit（它记得很久以前它是作为KHTML诞生的）。然后是一些Version/6.0的修改，然后修改成了Mobile/10A5376e，变成了Safari/8536.25，终于揭开了它其实是一个移动谷歌bot的秘密。

另一个例子：

Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.4; ?
InfoPath.1; .NET CLR 2.0.50727; .NET CLR 3.0.04506.30; .NET CLR 3.0.4506.2152; ?
.NET CLR 3.5.30729; .NET CLR 1.1.4322)

这是一个单一的引擎，但在括号中它有很多话要说。

所以一般的观察是：

• 最后一个引擎串是最重要的，
• 括号中的最后一条评论不太重要。

考虑到这一点，我的想法是将字符串解析为这些引擎和评论标记，然后从每个引擎部分丢弃从第五个开始的评论。然后，如果仍然不够，从第二个开始扔掉引擎部分（第一个通常是抽象的“Mozilla”，但通常有有用的评论；有时它实际上是一些具体的东西，尤其是对于网络爬虫而言）。

在解析时，我们需要考虑到偶尔可能会出现不遵循这种格式的字符串。它们可以保存到日志文件中供以后检查，然后简单地切割成所需的长度以适合数据库。