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。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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-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
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