MicroPython中requests库修改headers参数的Bug分析与修复
2025-05-10 05:54:59作者:柏廷章Berta
问题背景
在MicroPython v1.24.1版本中,用户报告了一个关于requests库的有趣问题。当使用requests.request()方法发送HTTP请求时,传入的headers参数会被意外修改,添加了额外的头部字段。这个行为与标准Python的requests库行为不一致,也不同于MicroPython早期版本(v1.23.0)的行为。
问题复现
通过以下代码可以复现该问题:
import network
import requests
import time
def do_connect():
sta_if = network.WLAN(network.STA_IF)
if not sta_if.isconnected():
sta_if.active(True)
sta_if.connect("SSID", "PSK")
while not sta_if.isconnected():
pass
do_connect()
HEADERS = {"X-Api-Key": "foobar"}
print(HEADERS) # 初始headers
requests.request(method="GET", url="https://postman-echo.com/get", headers=HEADERS, timeout=2)
print(HEADERS) # 请求后的headers
在v1.24.1版本中,输出结果会显示headers被添加了"Host"和"Connection"字段:
{'X-Api-Key': 'foobar'}
{'Host': 'postman-echo.com', 'X-Api-Key': 'foobar', 'Connection': 'close'}
问题分析
这个问题的根源在于MicroPython的requests库实现中,对headers参数的处理方式存在问题。在发送HTTP请求时,库内部需要添加一些必要的HTTP头部字段(如Host和Connection),但实现上直接修改了传入的字典对象,而不是创建一个新的字典副本。
这种行为会带来几个问题:
- 违反最小意外原则:大多数开发者不会预期函数调用会修改传入的参数
- 潜在的多线程问题:如果headers字典被多个线程共享,这种修改可能导致竞态条件
- 与标准库行为不一致:标准Python的requests库会保持传入的headers不变
解决方案
MicroPython开发团队在v1.25.0版本中修复了这个问题。修复方案的核心是:
- 在修改headers前,先创建传入headers的副本
- 所有内部添加的头部字段都在这个副本上进行操作
- 保持原始headers字典不被修改
这个修复确保了函数的纯函数特性,即相同的输入总是产生相同的输出,且不会产生副作用(修改输入参数)。
最佳实践
为了避免类似问题,开发者可以采取以下措施:
- 使用不可变对象:如果不需要修改传入的参数,可以考虑使用不可变对象
- 文档说明:如果API确实需要修改参数,应该在文档中明确说明
- 防御性拷贝:在函数内部对可变参数进行拷贝,避免修改原始对象
- 版本检查:对于关键功能,可以检查MicroPython版本以确保预期行为
结论
这个bug的修复体现了MicroPython社区对API一致性和开发者体验的重视。虽然这是一个看似小的问题,但它可能在实际项目中导致难以调试的bug。MicroPython团队快速响应并修复了这个问题,展示了开源社区的高效协作。
对于开发者来说,保持MicroPython版本更新是避免类似问题的好方法。同时,了解这类问题的模式也有助于编写更健壮的代码,特别是在资源受限的嵌入式环境中。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869