MySQL字符集中文乱码剖析

作者:龙述兵

问题描述

假设有三个表test_gbk,test_utf8,test_latin1,创建的时候字符集分别为gbk,utf8,latin1。表结构为

Field

Type

Null

Key

Default

Extra

name

varchar(512)

YES

NULL

"中"字的gbk十六进制表示为:0xd6 d0utf8 16进制表示为:0xe4 b8 ad

问题1

执行下列语句:

set names 'latin1'; 

insert into test_latin1 values( '中');   //此处'中'为gbk格式

select name from test_latin1;

结果是乱码,还是正常显示?

问题2

执行下列语句:

set names 'gbk'; 

insert into test_latin1 values( '中');  //此处'中'为gbk格式

select name from test_latin1;

结果是乱码,还是正常显示?

问题3

执行下列语句:

set names 'latin1'; 

insert into test_utf8 values( '中');  //此处'中'为gbk格式

select name from test_utf8;

结果是乱码,还是正常显示?

原理篇

字符集介绍

为了解释上述问题,首先要了解字符集为何物。字符集也叫字符编码,就是将字符集合一一映射成一个数。以下简单介绍一下几种字符集:

基础ASCII编码:

0x00-0x7F表示所有的大写和小写字母,数字0 到9、标点符号, 以及在美式英语中使用的特殊控制字符。

latin1编码:

单字节编码,编码范围是0x00-0xFF0x00-0x7F,和ASCII保持一致,0x80-0x9F之间是控制字符,0xA0-0xFF之间是文字符号。

gbk编码:

使用一字节和双字节编码,0x00–0x7F范围内是一位,和 ASCII 保持一致。双字节的第一字节范围是0x81-0xFE(不含0x800xFF)。

utf8编码:

使用一至四字节编码,0x00–0x7F范围内是一位,和 ASCII 保持一致。其它字符用二至四个字节变长表示。

字符集编码转换举例:

0xB1(latin-1) ->'±'-> 0xC2 B1 (utf8)

两个重要的点

  1. 0x00-0x7F区间,上述字符集是一致的,也就是说英文字符无需转码。
  2. 不同编码,字符集合不完全一样,存在某字符集的字符无法映射到另外一个字符集。

比如gbk编码中的中文字符,转成latin-1编码时,就找不到对应的二进制编码。MySQL做字符集转换的时候,gbk中文字符->latin-1,很多就转成'?'号(0x3f),这种大集合转成小集合,基本是不可逆的。

MySQL执行过程

对一个 MySQL 的执行过程,字符集转换,一般涉及到一下三个步骤:

  1. 收到请求,将请求数据从 character_set_client ->character_set_connection
  2. 内部操作,将数据从character_set_connection-> 表创建的字符集。
  3. 结果输出,将数据从表创建的字符集 -> character_set_results

当执行set names "charset"; 相当于把character_set_client, character_set_connection,character_set_results 统一设置为"charset"

终端显示字符集

此外如果你用securecrt终端来显示的话,如果不想乱码的话,appearance->character encoding也需要设置成正确的字符集。

问题详解

问题1

执行下列语句:

set names 'latin1'; 

insert into test_latin1 values( '中');   //此处'中'为gbk格式

select name from test_latin1;

结果是乱码,还是正常显示?

答:结果是正常显示。

执行流程如下:

  1. set names 'latin1';相当于把character_set_client, character_set_connection,character_set_results 统一设置为'latin1'
  2. Character_set_client告诉MySQL Server,传入的是一个latin1编码的,也就是单字节流,'中'这个输入,其实当作了0xD6 D0传入。
  3. 因为character_set_client -> character_set_connection-> table charset -> character_set_resultslatin1 ->latin1 -> latin1 -> latin1, 编码完全一致,数据没有做任何转换,所以输入是0xD6 D0,最后的输出也还原为0xD6 D0。
  4. 如果你的securecrt的显示字符集设置为gbk,那么最后的输出0xD6 D0就会显示成'中'。

问题2

执行下列语句:

set names 'gbk'; 

insert into test_latin1 values( '中');  //此处'中'为gbk格式

select name from test_latin1;

结果是乱码,还是正常显示?

答:结果是乱码。

执行流程如下:

  1. set names 'gbk';相当于把character_set_client, character_set_connection,character_set_results统一设置为'gbk'
  2. Character_set_client告诉MySQL Server,传入的是一个 gbk 编码的,'中'这个输入,当作了0xD6 D0传入。
  3. 因为character_set_client -> character_set_connection -> table charset-> character_set_resultsgbk-> gbk-> latin1 -> gbk, 其中gbk-> latin1的时候,因为'中'这个字符在latin1字符集里找不到,就会转换成'?'号(0x3F),然后latin1->gbk,'?'号在gbk字符集里面也是0x3F,最后输出就是0x3F,即'?'号。

问题3

执行下列语句:

set names 'latin1'; 

insert into test_utf8 values( '中');  //此处'中'为gbk格式

select name from test_utf8;

结果是乱码,还是正常显示?

答:正常显示。

执行流程如下:

  1. set names 'latin1';相当于把character_set_client, character_set_connection,character_set_results 统一设置为'latin1'
  2. Character_set_client告诉MySQL Server,传入的是一个latin1编码的,'中'这个输入,当作了0xD6 D0传入。
  3. 因为character_set_client -> character_set_connection -> table charset -> character_set_resultslatin1-> latin1-> utf8 -> latin1, 其中latin1-> utf8的时候,输入'中' (0xD6 D0)会当作两个字符进行utf8转换,转换为0xC3 96 C3 90,然后utf8->latin1的时候,会把0xC3 96转换成0xD6, 0xC3 90转成0x D0,最后输出0xD6 D0。负负得正,之所以数据没有失真的原因是因为小集合往大集合转,再转回来,操作可逆。
  4. 如果你的securecrt的显示字符集设置为gbk,那么最后的输出0xD6 D0就会显示成'中'。

终极解决方案

从上面的问题执行流程来看,有没有终极解决方案呢?其实很简单,表创建的字符集和set names都设置成同一个字符集,就基本可以满足输入数据不会在转换过程中失真,也就是说输入是什么,输出就是什么。建议有中文的都设置成utf8字符集,一劳永逸。

原创声明,本文系作者授权云+社区-专栏发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏python3

python代码风格

上面代码中----表示4个空格,如果用空格键去打,又长又多,很容易出问题,一个小技巧,用Tab代替4个空格,在Pycharm中默认Tab就是4个空格,不用去设置...

663
来自专栏Python

python2.7 的中文编码处理,解决UnicodeEncodeError: 'ascii' codec can't encode character 问题

2702
来自专栏恰同学骚年

剑指Offer面试题:2.二维数组中的查找

  例如下面的二维数组就是每行、每列都递增排序。如果在这个数组中查找数字7,则返回true;如果查找数字5,由于数组不含有该数字,则返回false。

782
来自专栏Hongten

python开发_dbm_键值对存储_完整_博主推荐

============================================

775
来自专栏C/C++基础

分离编译模式简介

示例代码编译运行环境:Windows 64bits+VS2017+Debug+Win32。

684
来自专栏用户2442861的专栏

Python基础学习笔记之(二)(华工大神)

         Python中每一个.py脚本定义一个模块,所以我们可以在一个.py脚本中定义一个实现某个功能的函数或者脚本,这样其他的.py脚本就可以调用...

724
来自专栏用户2442861的专栏

Python 编码转换与中文处理

python 中的 unicode是让人很困惑、比较难以理解的问题. 这篇文章 写的比较好,utf-8是 unicode的一种实现方式,unicode、gb...

632
来自专栏软件开发 -- 分享 互助 成长

字符串处理时刻提醒自己要在末尾手动加'\0'

话不多说,大家都明白字符串是以'\0'为结尾的,但偏偏今天编程序的时候忘了添加'\0'了,结果浪费时间调试一番才发现,囧死了。 先通过一段代码看看,忘记加'\0...

1775
来自专栏cs

有效的xml文档--DTD

感觉简书越来越没有意思了,给人感觉越来越差,不是写cs博客的地方。 DTD(document type define,简称DTD)是有效的xml文档基础,是一...

2947
来自专栏Golang语言社区

Golang语言--【社区推荐阅读】 fmt用法

fmt 包中的函数和方法 // format.go -------------------------------------------------- /...

33011

扫码关注云+社区