Requests库重定向请求中的Authorization头丢失问题解析
2025-04-30 06:43:37作者:廉皓灿Ida
在Python的Requests库使用过程中,开发者可能会遇到一个看似异常的现象:当HTTP请求被服务器返回307状态码触发重定向时,后续的重定向请求中Authorization头部信息会丢失。本文将深入分析这一现象背后的设计原理和最佳实践。
现象重现
当使用Requests库发送带有认证信息的PUT请求时:
response = requests.put(
url,
headers=headers,
data=json_data,
auth=auth_object,
hooks={"response": print_request_info}
)
如果服务器返回307临时重定向状态码,可以观察到:
- 初始请求的headers中包含完整的Authorization字段
- 重定向后的请求headers中Authorization字段消失
设计原理
这不是一个缺陷,而是Requests库的安全设计特性。其核心考虑包括:
- 安全防护机制:防止认证凭据被意外发送到非预期的目标服务器
- 隐私保护:避免敏感信息在重定向过程中泄露
- 符合RFC标准:HTTP规范建议客户端在重定向时谨慎处理认证信息
技术背景
当遇到以下重定向状态码时,Requests会特别处理认证头:
- 301 Moved Permanently
- 302 Found
- 303 See Other
- 307 Temporary Redirect
- 308 Permanent Redirect
库内部会检查重定向目标是否与原始请求同源(相同协议、主机和端口),如果不同源则会移除认证头。
解决方案
开发者可以采取以下方式处理此问题:
- 修正目标URL:确保请求直接发送到正确的终结点,避免重定向
- 手动处理重定向:
session = requests.Session()
response = session.put(initial_url, auth=auth)
if response.status_code == 307:
redirect_url = response.headers['Location']
session.put(redirect_url, auth=auth)
- 使用会话对象:通过Session对象保持认证状态
最佳实践建议
- 在开发阶段使用hooks或调试工具监控请求流程
- 对于需要跨域认证的场景,考虑使用OAuth等更安全的认证方案
- 仔细检查API文档,确认是否需要处理重定向逻辑
- 在测试环境充分验证认证流程
深入理解
这种行为实际上体现了Requests库"安全优于便利"的设计哲学。类似的保护机制还包括:
- 自动从历史响应中移除Set-Cookie头
- 对HTTPS请求的严格证书验证
- 连接复用时的安全隔离
理解这一机制有助于开发者构建更安全的HTTP客户端应用,避免潜在的安全风险。当确实需要在重定向过程中保留认证信息时,应当充分评估目标服务器的可信度,并考虑实现自定义的认证处理器。
登录后查看全文
热门项目推荐
相关项目推荐
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
380
454
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++
894
677
暂无简介
Dart
803
198
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
353
207
昇腾LLM分布式训练框架
Python
119
147
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781