1

Olá, estou trabalhando com user-agent e gostaria de uma ajuda.

Quero separar um valor de uma string que tem esse padrão:

Mozilla/<version> (<system-information>) <platform> (<platform-details>) <extensions>

Exemplos existentes, entre milhares:

tipo 1:

Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36

tipo 2

5.0 (Linux; Android 5.0.2; MotoE2(4G-LTE) Build/LXI22.50-53.8) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.76 Mobile Safari/537.36

tipo 3

Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:66.0) Gecko/20100101 Firefox/66.0

Forma da separação:

Dividir os valores a todo fechamento de parentasses externos, independente de quantos tem de acordo com o padrão do user-agente postado acima;

ou

Em outras palavras, sempre que haver uma sequencia de texto seguido com a abertura, textos dentro e fechamento do parentasse, deverá ser dividido do texto até o fechamento do parentasse de primeira ocorrência e assim por diante;

Regra a ser aplicada: Caso tenha um parentasse dentro de algum que ocorreu primeiro, ele não deve ser dividido como o seu pai!

Exemplos dos resultados esperados com os valores postados acima:

tipo 1:

array (
0 => 'Mozilla/5.0 (X11; Linux x86_64) ',
1 => 'AppleWebKit/537.36 (KHTML, like Gecko) ',
2 => 'Chrome/73.0.3683.86 Safari/537.36'
);

tipo 2:

array (
0 => '5.0 (Linux; Android 5.0.2; MotoE2(4G-LTE) Build/LXI22.50-53.8) ',
1 => 'AppleWebKit/537.36 (KHTML, like Gecko) ',
2 => 'Chrome/47.0.2526.76 Mobile Safari/537.36'
);

tipo 3:

array (
0 => 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:66.0) ',
1 => 'Gecko/20100101 Firefox/66.0'
);

Acredito ter tentado explicar muito anteriormente, por isso fiz essa mega edição, tentando deixar as coisas mais claras, por favor se não fui, fique a vontade para perguntar...

2
  • 2
    Talvez não seja tão simples pq o formato varia muito, e particularmente um parênteses dentro de outro é complicado (embora não seja impossível). Mas não entendi, vc quer validar se a string está no formato certo ou extrair dados específicos dela? De qq forma, vc tentou com a função get_browser? php.net/manual/en/function.get-browser.php
    – hkotsubo
    26/03/2019 às 22:05
  • @hkotsubo apenas separar os valores que postei como exemplos de acordo com todo fechamento do primeiro parentase. Não conhecia a função get_browser, estou dando uma olhada, muito obrigado!
    – user78859
    26/03/2019 às 22:15

1 Resposta 1

1

Criar uma regex que interprete todos (ou vários) user agents é uma tarefa bem difícil, já que o formato é muito aberto e cobrir todos os casos me parece inviável.

Uma alternativa é usar a função get_browser. Para usá-la, você deve habilitar a diretiva browscap no seu arquivo php.ini:

browscap = /caminho/do/arquivo/browscap.ini

Sendo que o arquivo browscap.ini deve estar na máquina também. Neste link tem um exemplo que pode ser baixado.

Uma vez configurado, basta passar a string:

$user_agent = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36';
$result = get_browser($user_agent, true);

O segundo parâmetro indica se será retornado um array (caso seja passado true), ou um objeto (caso seja passado false, que também é o valor default se este não for passado).

Os dados retornados são variados e cabe a você avaliar os respectivos valores e ver se é o que você precisa.


Regex

Como já dito, uma regex para interpretar toda a string do user agent é bem complicada. O mais difícil é verificar parênteses dentro de outros parênteses. Analisar a string com um loop seria bem mais fácil do que usar regex, mas de qualquer forma fica o registro abaixo.

A solução abaixo não verifica toda a string, e sim somente até o primeiro par de parênteses, que é o que foi pedido na pergunta. Além disso, assume-se que a string possui o formato "nome/versão (texto)":

function parseUserAgent($user_agent) {
    if (preg_match('{^([^/]*)/?(\d+\.\d+)\s+(\(([^)(]+|(?3))*+\))}', $user_agent, $matches)) {
        echo($matches[1]).PHP_EOL; // Mozilla, em branco
        echo($matches[2]).PHP_EOL; // versão
        $p = preg_replace('/^\((.*)\)$/', '$1', $matches[3]);
        echo($p).PHP_EOL; // conteúdo dentro do primeiro par de parênteses
    }
}

parseUserAgent('Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36');
parseUserAgent('5.0 (Linux; Android 5.0.2; MotoE2(4G-LTE) Build/LXI22.50-53.8) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.76 Mobile Safari/537.36');

Detalhe que usei { e } para delimitar a regex (em vez de usar as barras -> /...regex.../). Isso permite que eu use as barras dentro da regex sem precisar escapar com \. Eu escolhi { e } porque eles não são usados na regex, assim eu economizo algumas teclas e deixo a regex um pouco menos difícil de ler.

A primeira parte é simples:

  • ^ é o marcador para "início da string", assim eu garanto que a regex não vai pegar algo no meio da string por acidente.
  • ([^/]*)/?: zero ou mais caracteres que não são /, para pegar todo o texto antes da primeira barra. Em seguida tem uma barra opcional. Isso pega o trecho "Mozilla/", por exemplo, mas também pode pegar a string vazia. Eu poderia usar [a-zA-Z]* também, pois aí limitaria este trecho para somente letras, mas estou sendo bem simplista aqui (se você sabe que as strings sempre serão user agents, por exemplo, pode se dar ao luxo de simplificar a regex sabendo que não há tanto risco de falsos positivos).
  • (\d+\.\d+): o número da versão, definido como "vários dígitos, seguido de ponto, seguido de vários dígitos"

Repare que tanto o trecho antes da barra quanto a versão estão entre parênteses. Isso forma grupos de captura, o que permite que eu recupere estes trechos posteriormente, como foi feito no código acima ($matches[1] pega o trecho que foi capturado no primeiro grupo, $matches[2] no segundo do grupo, etc).

Depois temos um ou mais espaços (\s+), e aí chegamos na parte complicada.


Para conseguir verificar pares de parênteses aninhados, o jeito foi apelar para regex recursiva. Explicando por partes:

  • \( e \): são os próprios parênteses (abertura e fechamento)
  • [^)(]+: um ou mais caracteres que não seja ) nem (
  • |: significa "ou"

Todo este trecho está envolto em um par de parênteses: (\(([^)(]+|(?3))*+\)). Como é o terceiro par de parênteses, eu posso referenciá-lo de forma recursiva usando (?3). Isso quer dizer que (?3) é recursivamente substituído por toda a sub-expressão dentro desses parênteses.

Ou seja, eu posso ter:

  • uma abertura de parênteses, seguido de:
    • um ou mais caracteres que não são parênteses, ou
    • uma abertura de parênteses, seguido de:
      • um ou mais caracteres que não são parênteses, ou
      • uma abertura de parênteses, seguido de:
        • um ou mais caracteres que não são parênteses, ou
        • uma abertura de parênteses, seguido de:
          • e assim por diante...
        • seguido por um fechamento de parênteses
      • seguido por um fechamento de parênteses
    • seguido por um fechamento de parênteses
  • seguido por um fechamento de parênteses

Isso garante que teremos sequências de parênteses bem formados.

Em seguida eu obtenho os matches. Para o terceiro match, os parênteses também fazem parte do que foi capturado, então eu apenas removo-os usando preg_replace, mas fica a seu critério remover ou não.

A saída é:

Mozilla
5.0
X11; Linux x86_64

5.0
Linux; Android 5.0.2; MotoE2(4G-LTE) Build/LXI22.50-53.8

3
  • ficou ótimo porém não funcionou da forma que esperava e marquei como resposta certa, mas podemos corrigir... utilizando apenas preg_match('{^([^/]*)/?(\d+\.\d+)\s+((([^)(]+|(?3))*+))}', $user_agent, $matches) ele me retorna a array com os valores separados quase certo, no caso que citei agora apenas com preg_match ele retorna com 5 valores na array, de 0 a 4, teria como retornar com toda a string separada? como nos exemplos da pergunta, vou editar o ultimo para parecer mais claro!
    – user78859
    27/03/2019 às 3:23
  • 1
    @RobertCezar Daria pra fazer preg_match('{^([^/]*)/?(\d+\.\d+)\s+(\((?:[^)(]+|(?3))*+\))}', $user_agent, $matches), o que diminui um elemento do array (o (?: faz o trecho dentro do parênteses não ser um grupo de captura e ele não é retornado no array). Mas a posição 0 do array não dá pra eliminar, pq ela sempre terá todo o trecho que foi capturado pela regex. O único jeito é tratar os dados do array manualmente, como eu fiz...
    – hkotsubo
    27/03/2019 às 11:43
  • 1
    Entendi a situação, só adaptar a lógica e pronto, foi de grande ajuda @hkotsubo.
    – user78859
    27/03/2019 às 12:01

Você deve fazer log-in para responder a esta pergunta.