WeasyPrint 项目在 macOS 上 Cairo 库加载问题的解决方案
问题背景
在 macOS 系统上使用 WeasyPrint 51 版本生成 PDF 时,可能会遇到 OSError: no library called "cairo-2" was found 的错误。这个问题通常出现在较新的 macOS 系统(如 Sonoma 14.6)上,特别是当使用较旧版本的 Python(如 3.7)和 WeasyPrint 时。
问题分析
WeasyPrint 是一个将 HTML/CSS 转换为 PDF 的工具,它依赖于 Cairo 图形库来渲染页面。在 macOS 上,Cairo 库的加载路径可能会因为系统更新或安装方式的不同而出现问题。
从错误信息可以看出,系统在多个路径中尝试查找以下库文件但均未成功:
- libcairo.so.2
- libcairo.2.dylib
- libcairo-2.dll
解决方案
1. 确认 Cairo 库安装
首先需要确认 Cairo 库是否正确安装。在 macOS 上,可以通过 MacPorts 安装:
sudo port install cairo
安装后,Cairo 库通常位于 /opt/local/lib 目录下。
2. 设置环境变量
为了让 Python 能够找到 Cairo 库,需要设置正确的环境变量。最有效的方法是设置 DYLD_FALLBACK_LIBRARY_PATH:
export DYLD_FALLBACK_LIBRARY_PATH="/opt/local/lib"
这个环境变量告诉系统在哪些额外路径中查找动态链接库。
3. 验证设置
设置环境变量后,可以通过以下命令验证 WeasyPrint 是否能正确识别 Cairo 库:
DYLD_FALLBACK_LIBRARY_PATH="/opt/local/lib" /path/to/your/python -m weasyprint --info
如果设置正确,这个命令应该能正常执行并显示 WeasyPrint 的相关信息。
注意事项
-
Python 版本问题:WeasyPrint 51 版本发布于 2019 年,对 Python 3.7 的支持可能不完善。建议尽可能升级到更新的 Python 和 WeasyPrint 版本。
-
环境变量作用域:确保环境变量设置在与运行应用程序相同的 shell 会话中。如果通过 IDE 或其他方式运行程序,可能需要在这些环境中单独设置。
-
安装方式选择:虽然 MacPorts 可以安装 Cairo,但也可以考虑使用 Homebrew 或其他包管理工具,根据项目需求选择最适合的安装方式。
-
ARM64 架构兼容性:在 M1/M2/M3 芯片的 Mac 上,还需要确保安装的 Cairo 库是 ARM64 架构兼容的版本。
总结
解决 WeasyPrint 在 macOS 上找不到 Cairo 库的问题,关键在于确保:
- Cairo 库已正确安装
- 系统能够通过环境变量找到库文件
- 环境变量在正确的上下文中生效
通过合理设置 DYLD_FALLBACK_LIBRARY_PATH 环境变量,大多数情况下可以解决这个问题。对于长期项目,建议考虑升级到更新的 Python 和 WeasyPrint 版本,以获得更好的兼容性和功能支持。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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