解决libcpr/cpr在Windows下HTTPS请求的SSL证书问题
问题背景
在使用libcpr/cpr库进行HTTPS请求时,Windows用户可能会遇到"SSL certificate problem: unable to get local issuer certificate"的错误。这个问题主要出现在cpr 1.10.5及以上版本和libcurl 8.0及以上版本的组合中。
问题分析
这个问题的根源在于Windows平台上的SSL/TLS证书验证机制。在较新版本的libcurl中,默认的SSL后端可能没有正确配置为使用Windows系统的证书存储。Windows使用自己的证书存储机制(称为Schannel),而不是像Linux那样使用OpenSSL的证书存储。
解决方案
方法一:使用Schannel作为SSL后端
最直接的解决方案是在构建libcurl时明确指定使用Windows原生的Schannel作为SSL后端。这可以通过在Conan配置中添加以下选项实现:
[options]
libcurl/*:with_ssl=schannel
Schannel是Windows内置的SSL/TLS实现,它会自动使用Windows证书存储中的根证书进行验证,避免了手动管理证书的麻烦。
方法二:降级库版本
虽然不推荐长期使用,但临时解决方案是降级到cpr 1.10.4及以下版本和libcurl 7.88.1及以下版本。这些旧版本可能使用了不同的SSL验证机制或默认配置。
技术细节
为什么会出现这个问题
-
证书验证机制变化:新版本的libcurl可能修改了默认的证书验证行为,更严格地要求证书链的完整性。
-
Windows证书存储:Windows不像Unix-like系统那样使用标准的CA证书存储位置,而是有自己的证书存储系统。
-
构建配置差异:不同包管理器(如vcpkg)可能有不同的默认构建选项,导致SSL后端的选择不同。
为什么Schannel能解决问题
Schannel是Windows的本地安全通道实现,具有以下优势:
- 自动集成Windows证书存储
- 无需手动管理CA证书包
- 更好的Windows系统集成
- 支持最新的Windows安全特性
最佳实践建议
-
明确指定SSL后端:在Windows平台上构建时,始终明确指定使用Schannel作为SSL后端。
-
保持库更新:尽量使用最新版本的cpr和libcurl,配合正确的配置,而不是降级使用旧版本。
-
测试环境一致性:确保开发、测试和生产环境使用相同的SSL后端配置,避免环境差异导致的问题。
总结
Windows平台上的HTTPS请求问题通常源于SSL/TLS实现的配置差异。通过正确配置libcurl使用Windows原生的Schannel作为SSL后端,可以充分利用系统的证书管理机制,避免手动管理证书的复杂性。这种方法不仅解决了当前的证书验证问题,还能提供更好的系统集成和安全性。
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