自动标记用户代理字符串的统计信息？

问题描述：

我们跟踪我们网站的用户代理字符串。我想对他们做一些统计，看看我们有多少IE6用户（所以我们知道我们需要开发什么），以及我们有多少移动用户。自动标记用户代理字符串的统计信息？

因此，我们必须登录entires这样的：

Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; FunWebProducts) 
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; FunWebProducts; .NET CLR 1.0.3705; .NET CLR 1.1.4322; Media Center PC 4.0; .NET CLR 2.0.50727)

理想情况下，这将是非常整齐地看到所有的“有意义”的字符串，这将仅仅意味着可能字符串长于一定长度。例如，我可能会想看看有多少条目有FunWebProducts或.NET CLR或.NET CLR 1.0.3705 - 但我不要想要查看有多少个分号。所以我不一定要寻找唯一的字符串，而是所有的字符串，甚至是子集。所以，我想看看所有Mozilla的计数，知道这包括Mozilla/5.0和Mozilla/4.0的计数。如果有一个嵌套的显示器会很好，从最短的字符串开始，然后继续下去。东西可能就像

4,2093 Mozilla 
1,093 Mozilla/5.0 
    468 Mozilla/5.0 (Windows; 
    47 Mozilla/5.0 (Windows; U 
2,398 Mozilla/4.0

这听起来像一个计算机科学家庭作业。这会被称为什么？有这样的事情存在吗，还是我自己写？

答

您正在查看longest common substring问题，或者考虑到上述具体的示例，最长的常见前缀问题可以通过trie来解决。

但是，从你上面的例子来看，你可能甚至不需要对此有效。相反，简单地说：

一些标点符号子集
记号化的字符串，如[ ;/]
保存然而，许多令牌的每一个独特的前缀，替换原有的分隔符
对于每个前缀，得到的计数其中记录它匹配并保存

答

如果你把它分解成主要名字（部分在开头paren之前），然后用分号分隔存储每个部分作为子记录，你可以做任何你想要的分析。例如，将其存储在关系数据库中：

BrowserID BrowserText 
--------- ----------- 
1   Mozilla/4.0 
2   Mozilla/5.0 

FeatureID FeatureText 
--------- ----------- 
1   compatible 
2   MSIE 7.0 
3   Windows NT 5.1 
4   FunWebProducts 
5   .NET CLR 1.0.3705 
6   .NET CLR 1.1.4322 
7   Media Center PC 4.0 
8   .NET CLR 2.0.50727

然后登录到浏览器和部件的引用，你可以做你想做的任何类型的分析。

Tokenize在分号上不行;我有'Mozilla/5.0（Macintosh; U;英特尔Mac OS X 10_5_8; en-us）ApplewebKit/531.9（KHTML，如Gecko）版本/4.0.3 Safari/531.9' – user151841 2009-12-22 18:42:48

答

如何使用正则表达式来解析用户代理串入相关的组件部分？用户代理字符串的基本规格是'[name]/[version]'或'[name][version]'。有了这些信息，我们可以使用像([^\(\)\/\\;\n]+)([ ]((?=\d*\.+\d*|\d*_+\d*)[\d\.Xx_]+)|[/]([^\(\)\/; \n]+))这样的正则表达式来获得匹配集合，其中集合中的第一个匹配是[name]，集合中的第二个匹配是[version]。当然，你必须从集合中的第二个匹配中去掉空格和/，或者修改正则表达式以使用lookbehind（几种正则表达式不支持，所以我没有在这里包括它）。

获得所有这些元组后，您可以操作并计算它们，无论您想要如何。

自动标记用户代理字符串的统计信息？

相关推荐