Invoice Ninja项目在Ubuntu 24.04系统下的PDF生成问题解决方案
问题背景
在使用Invoice Ninja自托管版本(v5.11.9-C172)时,用户从Ubuntu 22.04升级到24.04 LTS后,发现PDF生成功能失效。系统日志显示进程收到了信号5或6的错误,核心问题与Chrome/Chromium浏览器的沙箱机制有关。
错误现象分析
当尝试生成PDF时,系统会抛出以下两种错误之一:
- "The process has been signaled with signal 6"
- "The process has been signaled with signal 5"
通过直接运行Chrome二进制文件可获取更详细的错误信息,关键报错为:"No usable sandbox!",这表明系统缺少可用的沙箱环境。
根本原因
Ubuntu 23.10及更高版本(包括24.04 LTS)默认禁用了非特权用户命名空间(AppArmor限制),这是Chrome/Chromium浏览器安全沙箱运行的必要条件。这种安全限制导致Invoice Ninja依赖的SnapPDF组件无法正常生成PDF。
解决方案
方案一:使用--no-sandbox参数(不推荐)
虽然可以通过添加--no-sandbox参数快速解决问题,但这会降低系统安全性,不建议在生产环境中使用。
方案二:配置AppArmor策略(推荐)
更安全的解决方案是为Chrome创建专门的AppArmor策略:
-
首先确定Chrome二进制文件路径,通常位于:
/path/to/ninjainvoice/vendor/beganovich/snappdf/versions/[版本号]-Linux_x64/chrome-linux/chrome -
创建AppArmor配置文件:
export CHROMIUM_BUILD_PATH=/path/to/your/chrome/binary
sudo tee /etc/apparmor.d/chrome-dev-builds <<EOF
abi <abi/4.0>,
include <tunables/global>
profile chrome \$CHROMIUM_BUILD_PATH flags=(unconfined) {
userns,
include if exists <local/chrome>
}
EOF
- 重新加载AppArmor配置:
sudo service apparmor reload
验证方法
执行以下命令验证配置是否生效:
/path/to/chrome/binary -v
预期输出应包含关于X服务器的错误(这表明Chrome已能正常启动,只是缺少显示环境),而非沙箱错误。
安全注意事项
- 此解决方案授予了特定Chrome二进制文件额外的权限,应确保该文件路径不被恶意篡改
- 建议在chroot环境中运行Invoice Ninja以增加安全性
- 定期检查AppArmor日志,监控异常行为
其他环境说明
此问题不仅出现在Ubuntu 24.04上,在以下环境中也有类似报告:
- Debian 12系统
- Docker容器环境
对于Docker用户,可能需要调整容器权限或使用特定镜像来解决此问题。
总结
Ubuntu 24.04引入的安全限制影响了Invoice Ninja的PDF生成功能。通过合理配置AppArmor策略,可以在保持系统安全性的同时恢复PDF生成功能。建议用户优先采用方案二,并在实施后进行全面测试以确保系统稳定性。
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