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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue07- 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
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
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.88 K
Ascend Extension for PyTorch
Python
396
474
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
359
219
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++
902
703
🎉 (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
1.39 K
786
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
813
199
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
92
162