深入Mysql字符集设置

基本概念 
• 字符(Character)是指人类语言中最小的表义符号。例如'A'、'B'等； 
• 给定一系列字符，对每个字符赋予一个数值，用数值来代表对应的字符，这一数值就是字符的编码(Encoding)。例如，我们给字符'A'赋予数值0，给字符'B'赋予数值1，则0就是字符'A'的编码； 
• 给定一系列字符并赋予对应的编码后，所有这些字符和编码对组成的集合就是字符集(Character Set)。例如，给定字符列表为{'A','B'}时，{'A'=>0, 'B'=>1}就是一个字符集； 
• 字符序(Collation)是指在同一字符集内字符之间的比较规则； 
• 确定字符序后，才能在一个字符集上定义什么是等价的字符，以及字符之间的大小关系； 
• 每个字符序唯一对应一种字符集，但一个字符集可以对应多种字符序，其中有一个是默认字符序(Default Collation)； 
• MySQL中的字符序名称遵从命名惯例：以字符序对应的字符集名称开头；以_ci(表示大小写不敏感)、_cs(表示大小写敏感)或_bin(表示按编码值比较)结尾。例如：在字符序``utf8_general_ci''下，字符``a''和``A''是等价的； 
MySQL字符集设置 
• 系统变量： 
– character_set_server：默认的内部操作字符集 
– character_set_client：客户端来源数据使用的字符集 
– character_set_connection：连接层字符集 
– character_set_results：查询结果字符集 
– character_set_database：当前选中数据库的默认字符集 
– character_set_system：系统元数据(字段名等)字符集 
– 还有以collation_开头的同上面对应的变量，用来描述字符序。 
• 用introducer指定文本字符串的字符集： 
– 格式为：[_charset] 'string' [COLLATE collation] 
– 例如： 
• SELECT _latin1 'string'; 
• SELECT _utf8 '你好' COLLATE utf8_general_ci; 
– 由introducer修饰的文本字符串在请求过程中不经过多余的转码，直接转换为内部字符集处理。 
MySQL中的字符集转换过程 
1. MySQL Server收到请求时将请求数据从character_set_client转换为character_set_connection； 
2. 进行内部操作前将请求数据从character_set_connection转换为内部操作字符集，其确定方法如下： 
• 使用每个数据字段的CHARACTER SET设定值； 
• 若上述值不存在，则使用对应数据表的DEFAULT CHARACTER SET设定值(MySQL扩展，非SQL标准)； 
• 若上述值不存在，则使用对应数据库的DEFAULT CHARACTER SET设定值； 
• 若上述值不存在，则使用character_set_server设定值。 
3. 将操作结果从内部操作字符集转换为character_set_results。 

 
常见问题解析 
• 向默认字符集为utf8的数据表插入utf8编码的数据前没有设置连接字符集，查询时设置连接字符集为utf8 

– 插入时根据MySQL服务器的默认设置，character_set_client、character_set_connection和character_set_results均为latin1； 

– 插入操作的数据将经过latin1=>latin1=>utf8的字符集转换过程，这一过程中每个插入的汉字都会从原始的3个字节变成6个字节保存； 

– 查询时的结果将经过utf8=>utf8的字符集转换过程，将保存的6个字节原封不动返回，产生乱码…… 

• 向默认字符集为latin1的数据表插入utf8编码的数据前设置了连接字符集为utf8 

– 插入时根据连接字符集设置，character_set_client、character_set_connection和character_set_results均为utf8； 

– 插入数据将经过utf8=>utf8=>latin1的字符集转换，若原始数据中含有/u0000~/u00ff范围以外的Unicode字符，会因为无法在latin1字符集中表示而被转换为“?”(0x3F)符号，以后查询时不管连接字符集设置如何都无法恢复其内容了。 

检测字符集问题的一些手段 
• SHOW CHARACTER SET; 

• SHOW COLLATION; 

• SHOW VARIABLES LIKE 'character%'; 

• SHOW VARIABLES LIKE 'collation%'; 

• SQL函数HEX、LENGTH、CHAR_LENGTH 

• SQL函数CHARSET、COLLATION 

使用MySQL字符集时的建议  
• 建立数据库/表和进行数据库操作时尽量显式指出使用的字符集，而不是依赖于MySQL的默认设置，否则MySQL升级时可能带来很大困扰； 

• 数据库和连接字符集都使用latin1时虽然大部分情况下都可以解决乱码问题，但缺点是无法以字符为单位来进行SQL操作，一般情况下将数据库和连接字符集都置为utf8是较好的选择； 

• 使用mysql C API时，初始化数据库句柄后马上用mysql_options设定MYSQL_SET_CHARSET_NAME属性为utf8，这样就不用显式地用SET NAMES语句指定连接字符集，且用mysql_ping重连断开的长连接时也会把连接字符集重置为utf8； 

• 对于mysql PHP API，一般页面级的PHP程序总运行时间较短，在连接到数据库以后显式用SET NAMES语句设置一次连接字符集即可；但当使用长连接时，请注意保持连接通畅并在断开重连后用SET NAMES语句显式重置连接字符集。 

其他注意事项  
• my.cnf中的default_character_set设置只影响mysql命令连接服务器时的连接字符集，不会对使用libmysqlclient库的应用程序产生任何作用！ 

• 对字段进行的SQL函数操作通常都是以内部操作字符集进行的，不受连接字符集设置的影响。 

• SQL语句中的裸字符串会受到连接字符集或introducer设置的影响，对于比较之类的操作可能产生完全不同的结果，需要小心！/P>

在 mysql客户端与 mysql服务端之间，存在着一个字符集转换器。

 

character_set_client          =>gbk：转换器就知道客户端发送过来的是gbk格式的编码

character_set_connection=>gbk：将客户端传送过来的数据转换成gbk格式

character_set_results        =>gbk:

 

注：以上三个字符集可以使用set names gbk来统一进行设置

例子:

create table test(

name varchar(64) NOT NULL

)charset utf8;#这里的utf8表示服务器端的字符编码

 

首先，往数据表test中插入一条数据

inert into test values('测试');

则，数据“测试”在数据库中是以“utf8”格式保存的

过程：

 

首先，通过mysql客户端，将数据发送给Mysql服务器，经过字符集转换器的时候，由于character_set_connection 值为gbk，所以会将客户端发送过来的数据转为gbk格式，紧接着，字符集转换器将数据要传送给服务器的时候，发现服务器是以utf8保存数据的，所以，在其内部会自动将数据由gbk转换成utf8格式

 

 

什么时候会出现乱码？

1. 客户端的数据格式与声明的 character_set_client不符

        通过 header('Content-type:text/html;charset=utf8');将客户端的数据转成utf8格式的，在数据经过“字符集转换器”的时候，由于character_set_client=gbk，而character_set_connection也等于gbk，所以从客户端传送过来的数据（其实是utf8格式）并不会被转换格式。

        但是，字符集转换器在讲数据发送给服务器的时候，发现服务器要的格式是utf8，所以会将当前数          据当做gbk格式来处理，从而转成utf8（但是，这一步其实已经错了。。。）。

    2.  result与客户端页面不符合的时候

        

 将返回结果的格式设置为utf8，但是客户端接受的格式为gbk，因此会出现乱码

 

---

通过show character set 语法，可以显示所有可用的字符集

latin字符集

注意：Maxlen列显示用于存储一个字符的最大的字节数目。

 

utf8字符集

 

gbk字符集

 

什么时候会丢失数据？

对比以上三幅图可以知道，每种字符集中，用于存储一个字符的最大的字节数目都不同，utf8最大，latin最小。所以在经过字符集转换器的时候，如果处理不当，会造成数据丢失，而且是无法挽回的。

比如：

将character_set_connection的值改为lantin的时候

从客户端发送过来的gbk数据，会被转成lantin1格式，因为gbk格式的数据占用的字符数较多，从而会造成数据丢失

 

总结：

1. character_set_client和character_set_results 一般情况下要一致，因为一个表示客户端发送的数据格式，另一个表示客户端接受的数据格式为了避免造成数据丢失，需让 character_set_connection的字符编码 大于 character_set_client的字符编码