Requests库SSL证书验证问题解析与解决方案
Requests是Python中最流行的HTTP客户端库之一,在2.32.0版本中引入了一项关于SSLContext的重要改进。这项改进旨在通过重用全局SSLContext来提高请求性能,特别是在Windows系统上使用OpenSSL 3.x构建的Python版本时,可以减少证书加载时间。
问题背景
在2.32.0版本发布后,一些用户报告了在使用本地根证书颁发机构(CA)签名的网站时遇到了SSL证书验证问题。具体表现为当尝试访问由本地根CA签名的网站时,系统会抛出"SSLCertVerificationError: unable to get local issuer certificate"错误。
技术分析
这个问题源于2.32.0版本对SSLContext处理方式的改变。在之前的版本(如2.31.1)中,以下代码可以正常工作:
from requests.adapters import HTTPAdapter
import requests
from requests.packages.urllib3.util.ssl_ import create_urllib3_context
class SSLContextAdapter(HTTPAdapter):
def init_poolmanager(self, *args, **kwargs):
context = create_urllib3_context()
context.load_default_certs() # 加载系统的CA证书
kwargs['ssl_context'] = context
return super().init_poolmanager(*args, **kwargs)
但在2.32.x版本中,这种实现方式会导致证书验证失败。这是因为新版本改变了SSLContext的管理方式,不再支持通过这种方式覆盖默认的SSLContext。
解决方案
Requests核心开发团队提供了两种解决方案:
临时解决方案
可以使用内部变量_preloaded_ssl_context来加载默认证书:
from requests.adapters import HTTPAdapter, _preloaded_ssl_context
class SSLContextAdapter(HTTPAdapter):
def init_poolmanager(self, *args, **kwargs):
_preloaded_ssl_context.load_default_certs()
return super().init_poolmanager(*args, **kwargs)
但需要注意的是,这种方法依赖于内部实现细节,不是官方推荐的做法。
推荐解决方案
更健壮的解决方案是在适配器的__init__方法中创建自定义SSLContext,并通过build_connection_pool_key_attributes方法将其注入:
class SSLContextAdapter(HTTPAdapter):
def __init__(
self,
pool_connections=DEFAULT_POOLSIZE,
pool_maxsize=DEFAULT_POOLSIZE,
max_retries=DEFAULT_RETRIES,
pool_block=DEFAULT_POOLBLOCK,
):
super().__init__()
self.custom_context = create_urllib3_context()
self.custom_context.load_default_certs()
def build_connection_pool_key_attributes(self, request, verify, cert=None):
host_params, pool_kwargs = super().build_connection_pool_key_attributes(request, verify, cert)
pool_kwargs['ssl_context'] = self.custom_context
return host_params, pool_kwargs
这种方法更加符合Requests库的设计理念,且不会依赖内部实现细节。
最佳实践
对于大多数用户来说,升级到最新版本的Requests库(2.32.3及以上)并使用推荐的解决方案是最佳选择。如果必须自定义SSL验证行为,建议:
- 在适配器初始化时创建SSLContext
- 通过标准API注入自定义SSLContext
- 避免直接修改内部状态或使用内部变量
通过这种方式,可以确保代码的稳定性和向前兼容性,同时满足自定义证书验证的需求。
总结
Requests库在2.32.0版本中对SSL处理进行了优化,这虽然带来了一些兼容性变化,但也提供了更高效的证书管理机制。理解这些变化并采用推荐的解决方案,可以帮助开发者更好地利用Requests库的强大功能,同时确保与本地CA签名网站的兼容性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00