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。
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