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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00