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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06