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LEo的网络日志

python技巧分享(七)

3268
来自专栏魂祭心

原 Curry的js实现

3375
来自专栏十月梦想

ES6基础语法之set

864
来自专栏大闲人柴毛毛

三分钟理解“模板方法模式”——设计模式轻松掌握

模板方法模式的官方定义: 在模板方法模式中,只定义一个算法的骨架,而将一些步骤延迟到子类中。模板方法使得子类可以不改变一个算法的结构即可重新定义该算法的某些特定...

34010
来自专栏海天一树

小朋友学Python(3):布尔类型

本节讲解C/C++/Java/Python中的布尔类型。 一、C语言 C语言中没有布尔类型,判断时 ,0为假,非0为真。 二、C++ C++的bool是布尔类型...

27111
来自专栏Python

举例详解Python中的split()函数的使用方法

这篇文章主要介绍了举例详解Python中的split()函数的使用方法,split()函数的使用是Python学习当中的基础知识,通常用于将字符串切片并转换为列...

1935
来自专栏前端儿

中缀式变后缀式

人们的日常习惯是把算术表达式写成中缀式,但对于机器来说更“习惯于”后缀式,关于算术表达式的中缀式和后缀式的论述一般的数据结构书都有相关内容可供参看,这里不再赘述...

1021
来自专栏电光石火

PHP获取时间戳的毫秒

php获取时间的方式是time(); 那么如果是涉及需要精细的时间的应用,那么怎么获取呢? /** 获取当前时间戳,精确到毫秒 */ functi...

2339
来自专栏C语言及其他语言

[蓝桥杯]Hello, world!

题目描述 This is the first problem for test. Since all we know the ASCII code, your ...

3368
来自专栏知识分享

关于函数指针--简介

函数指针说白了,,,,函数的地址 现在看一个简单的--先定义一个函数指针 void (*f1)();就是这样定义--指向的是一个void类型的 假设定义了另一个...

2888

扫码关注云+社区