Boto3 1.36版本更新后S3兼容存储服务上传报错问题分析
问题背景
近期Boto3发布了1.36.0版本更新,该版本引入了一项重要的默认行为变更:为S3对象存储新增了默认的数据完整性保护功能。这项变更导致部分用户在使用非AWS官方的S3兼容存储服务时,出现了"Invalid trailing header names in x-amz-trailer"的错误提示。
错误现象
当用户尝试使用boto3 1.36.0及以上版本向某些第三方S3兼容服务上传对象时,PutObject操作会失败并返回错误信息:"An error occurred (InvalidTrailer) when calling the PutObject operation: Invalid trailing header names in x-amz-trailer"。
原因分析
这一问题的根源在于boto3 1.36.0版本默认启用了新的数据完整性保护机制。该机制会在请求中添加X-Amz-Trailer头部用于校验数据完整性。然而,许多第三方S3兼容服务尚未实现对这些新特性的支持,导致服务端无法识别这些头部信息而拒绝请求。
解决方案
对于使用第三方S3兼容服务的用户,可以通过以下两种方式解决此问题:
-
降级boto3版本:暂时回退到1.35.0版本可以规避此问题。
-
修改客户端配置:在创建S3客户端时,显式设置数据完整性校验模式为"WHEN_REQUIRED":
from botocore.config import Config
custom_config = Config(
signature_version="s3v4",
request_checksum_calculation="WHEN_REQUIRED",
response_checksum_validation="WHEN_REQUIRED"
)
s3 = boto3.client(
"s3",
aws_access_key_id=AWS_ACCESS_KEY,
aws_secret_access_key=AWS_SECRET_KEY,
endpoint_url=AWS_ENDPOINT,
config=custom_config
)
技术建议
-
兼容性考虑:AWS SDK主要针对官方AWS服务设计,新功能可能会先于第三方兼容服务的支持而默认启用。
-
长期解决方案:建议联系您的S3兼容服务提供商,询问他们是否计划支持AWS最新的数据完整性保护协议。
-
调试技巧:遇到类似问题时,可以通过设置boto3的调试日志来获取更详细的请求信息:
import boto3
boto3.set_stream_logger("")
总结
Boto3 1.36.0版本引入的数据完整性保护功能虽然提升了安全性,但也带来了与第三方S3兼容服务的兼容性问题。用户应根据自身使用场景选择合适的解决方案,平衡安全性和兼容性的需求。对于必须使用第三方S3服务的场景,暂时禁用默认的完整性校验是可行的临时解决方案。
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-1.5暂无简介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