在Windows Arm64平台上编译pyca/cryptography项目的技术指南
2025-05-31 03:26:36作者:农烁颖Land
背景介绍
pyca/cryptography是一个广泛使用的Python加密库,它提供了各种加密原语和协议的实现。在Windows Arm64平台上,由于缺乏预编译的wheel包,用户需要从源代码编译安装该库。本文将详细介绍在Windows Arm64系统上成功编译和运行pyca/cryptography的技术方案。
环境准备
在开始编译前,需要准备以下环境:
- Windows Arm64操作系统(如搭载Snapdragon处理器的设备)
- Python 3.12或更高版本
- Rust工具链(通过rustup安装)
- OpenSSL开发包
OpenSSL安装与配置
Windows Arm64平台需要手动安装OpenSSL开发包:
winget install ShiningLight.OpenSSL.Dev
安装完成后,设置以下环境变量:
$env:OPENSSL_DIR="C:\Program Files\OpenSSL-Win64-ARM"
$env:OPENSSL_LIB_DIR="C:\Program Files\OpenSSL-Win64-ARM\lib\VC\arm64\MT"
编译过程
- 克隆项目仓库:
git clone https://github.com/pyca/cryptography.git
cd cryptography
- 安装构建工具:
pip3 install build
- 开始构建:
python -m build
常见问题与解决方案
动态链接库缺失问题
编译过程可能顺利完成,但在运行时会出现ImportError: DLL load failed错误,提示无法加载_rust模块。这是因为Rust编译器未能正确静态链接OpenSSL的动态库。
使用dumpbin /DEPENDENTS工具检查生成的_rust.pyd文件,可以发现它依赖以下两个动态库:
- libcrypto-3-arm64.dll
- libssl-3-arm64.dll
解决方案
- 手动复制动态库到正确位置:
import shutil
shutil.copy(".\\OpenSSL-Win64-ARM\\bin\\libcrypto-3-arm64.dll", ".\\cryptography\\hazmat\\bindings\\libcrypto-3-arm64.dll")
shutil.copy(".\\OpenSSL-Win64-ARM\\bin\\libssl-3-arm64.dll", ".\\cryptography\\hazmat\\bindings\\libssl-3-arm64.dll")
- 添加动态库搜索路径:
import os
os.add_dll_directory(os.path.abspath(".\\cryptography\\hazmat\\bindings\\"))
- 设置环境变量避免遗留问题:
os.environ["CRYPTOGRAPHY_OPENSSL_NO_LEGACY"] = "1"
性能与兼容性考虑
- 静态链接的
_rust.pyd文件大小约为8MB,而动态链接版本约为3MB - 动态链接方式需要确保目标系统上有兼容的OpenSSL版本
- 静态链接方式更适合分发,但会增加二进制文件大小
最佳实践建议
- 对于开发环境,推荐使用动态链接方式,便于更新OpenSSL
- 对于生产环境,考虑使用静态链接或确保目标系统有正确的OpenSSL版本
- 在Docker容器中部署时,可以预先安装所需版本的OpenSSL
总结
在Windows Arm64平台上编译pyca/cryptography项目需要特别注意OpenSSL的配置和链接方式。通过本文介绍的方法,开发者可以成功构建并使用这个强大的加密库。随着ARM架构在Windows平台的普及,预计未来会有更多预编译的wheel包可供使用,简化安装过程。
对于需要深度定制的用户,理解项目的构建过程和依赖关系至关重要。本文提供的解决方案不仅解决了当前问题,也为处理类似情况提供了参考思路。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust021
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
Python可观测性工具实战:Logfire效能提升指南RPCS3模拟器终极优化指南:突破PS3游戏性能极限的实战方案Nali跨平台部署全攻略:从环境适配到性能调优为什么需要统一游戏库管理?Playnite开源工具的全方位解决方案如何通过Idify实现本地证件照制作:安全高效的浏览器端解决方案路由器多容器管理实战:用Docker Compose打造智能家居中枢Zettlr:一站式学术写作解决方案效率指南零基础精通GPT-SoVITS:开源语音合成与AI声音克隆实战指南颠覆直播互动体验:Bongo-Cat-Mver如何让你的键盘操作变成视觉盛宴如何用开源工具轻松制作游戏模组?Crowbar让创作不再有门槛
项目优选
收起
暂无描述
Dockerfile
678
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
518
630
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
🎉 (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
1.57 K
910
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++
948
889
暂无简介
Dart
923
228
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
399
304
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
635
217
openGauss kernel ~ openGauss is an open source relational database management system
C++
183
260