VCR.py 项目在 Python 3.13 中的 SSL 证书验证问题解析
问题背景
在 Python 3.13.0 beta 版本测试过程中,VCR.py 项目遇到了多个 HTTPS 相关的测试失败。这些失败表现为 SSL 证书验证错误,具体错误信息为"Missing Authority Key Identifier"。这一问题主要影响了与 pytest-httpbin 集成的测试用例。
错误现象
测试失败的具体表现是,当 VCR.py 尝试通过 HTTPS 与测试服务器建立连接时,Python 3.13 的 SSL 模块会抛出 SSLCertVerificationError 异常。错误信息明确指出证书验证失败的原因是缺少权威密钥标识符(AKI)。
受影响的测试用例包括:
- 测试响应码获取
- 测试响应头信息获取
- 测试 GET 和 POST 数据传输
- 测试 Unicode 数据 POST
- 测试装饰器功能
- 测试跨协议请求
根本原因
这一问题源于 Python 3.13 对 SSL/TLS 证书验证的强化。新版本对证书链的验证更加严格,特别是要求证书必须包含权威密钥标识符扩展字段。而 pytest-httpbin 使用的自签名测试证书不符合这一新要求。
解决方案
经过项目维护者的调查,确认问题出在 pytest-httpbin 使用的硬编码证书上。正确的解决方案是改用 trustme 库动态生成符合要求的测试证书,而不是使用静态的硬编码证书。
pytest-httpbin 2.1.0 版本已经包含了这一修复。升级到该版本后,VCR.py 的所有测试用例在 Python 3.13 环境下都能正常通过。
技术建议
对于依赖自签名证书进行测试的项目,建议:
- 避免使用静态硬编码的测试证书
- 采用 trustme 等库动态生成符合最新安全要求的证书
- 定期检查测试证书是否符合最新的安全标准
- 在 CI 环境中测试即将发布的 Python 版本,提前发现兼容性问题
总结
Python 3.13 对 SSL/TLS 证书验证的强化是一个积极的安全改进,但同时也可能影响依赖自签名证书的测试套件。VCR.py 项目通过依赖 pytest-httpbin 的更新解决了这一问题,展示了良好的生态系统协作。这一案例也提醒开发者需要关注测试基础设施的维护,确保其与语言运行时的安全要求保持同步。
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