Jellyseerr与自签名证书问题的解决方案
问题背景
在使用Jellyseerr管理Radarr和Sonarr服务时,当这些服务启用了SSL加密并使用内部CA签名的证书时,Jellyseerr会出现无法获取配置文件的问题。具体表现为在Jellyseerr中配置服务使用SSL端口后,系统日志中会出现"Failed to retrieve profiles: fetch failed"的错误提示。
问题分析
这个问题源于Node.js运行环境对SSL证书的验证机制。当使用内部CA签名的证书时,虽然操作系统层面已经安装了完整的CA证书链(包括根证书和中间签名CA证书),但Node.js默认不会自动使用系统的证书存储。这就导致了:
- 通过命令行工具如openssl可以成功建立SSL连接
- 但Node.js应用程序(如Jellyseerr)却无法验证证书的有效性
- 最终导致HTTPS请求失败
解决方案
要解决这个问题,需要通过环境变量显式地告诉Node.js额外的CA证书位置。具体步骤如下:
- 确保你的CA证书文件已经放置在系统的证书目录中,通常为
/usr/local/share/ca-certificates/ - 修改Jellyseerr的服务配置文件,添加环境变量配置
- 指定
NODE_EXTRA_CA_CERTS环境变量指向你的CA证书文件
详细操作步骤
-
确认CA证书位置: 首先确认你的CA证书文件已经正确安装到系统证书目录,例如:
/usr/local/share/ca-certificates/my-ca.crt -
修改服务配置: 编辑Jellyseerr的systemd服务文件(通常位于
/etc/systemd/system/jellyseerr.service),在[Service]部分添加以下内容:Environment=NODE_EXTRA_CA_CERTS=/usr/local/share/ca-certificates/my-ca.crt -
重载并重启服务:
sudo systemctl daemon-reload sudo systemctl restart jellyseerr
技术原理
这个解决方案利用了Node.js提供的NODE_EXTRA_CA_CERTS环境变量机制。该变量允许开发者指定额外的CA证书文件路径,Node.js运行时会将这个证书文件中的CA证书添加到它内部的信任存储中。这样,当Jellyseerr(基于Node.js)尝试与配置了自签名证书的Radarr/Sonarr建立HTTPS连接时,就能正确验证服务器证书的有效性。
注意事项
- 确保指定的证书文件路径正确无误
- 证书文件需要包含完整的证书链(如果适用)
- 修改服务配置后必须重载systemd并重启服务
- 如果使用容器化部署,需要确保证书文件在容器内也可访问
总结
通过配置NODE_EXTRA_CA_CERTS环境变量,我们成功解决了Jellyseerr在使用内部CA签名的SSL证书时无法连接Radarr/Sonarr的问题。这个解决方案不仅适用于Jellyseerr,对于其他基于Node.js的应用程序遇到类似证书验证问题时也同样有效。
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