深入Mysql字元集設定[精華結合]

基本概念
• 字元(Character)是指人類語言中最小的表義符號。例如'A'、'B'等；
• 給定一系列字元，對每個字元賦予一個數值，用數值來代表對應的字元，這一數值就是字元的編碼(Encoding)。例如，我們給字元'A'賦予數值0，給字元'B'賦予數值1，則0就是字元'A'的編碼；
• 給定一系列字元並賦予對應的編碼後，所有這些字元和編碼對組成的集合就是字元集(Character Set)。例如，給定字元列表為{'A','B'}時，{'A'=>0, 'B'=>1}就是一個字元集；
• 字元序(Collation)是指在同一字元集內字元之間的比較規則；
• 確定字元序後，才能在一個字元集上定義什麼是等價的字元，以及字元之間的大小關係；
• 每個字元序唯一對應一種字元集，但一個字元集可以對應多種字元序，其中有一個是預設字元序(Default Collation)；
• MySQL中的字元序名稱遵從命名慣例：以字元序對應的字元集名稱開頭；以_ci(表示大小寫不敏感)、_cs(表示大小寫敏感)或_bin(表示按編碼值比較)結尾。例如：在字元序``utf8_general_ci''下，字元``a''和``A''是等價的；
MySQL字元集設定
• 系統變數：
– character_set_server：預設的內部操作字元集
– character_set_client：用戶端來來源資料使用的字元集
– character_set_connection：串連層字元集
– character_set_results：查詢結果字元集
– character_set_database：當前選中資料庫的預設字元集
– character_set_system：系統中繼資料(欄位名等)字元集
– 還有以collation_開頭的同上面對應的變數，用來描述字元序。
• 用introducer指定文本字串的字元集：
– 格式為：[_charset] 'string' [COLLATE collation]
– 例如：
• SELECT _latin1 'string';
• SELECT _utf8 '你好' COLLATE utf8_general_ci;
– 由introducer修飾的文本字串在請求過程中不經過多餘的轉碼，直接轉換為內部字元集處理。
MySQL中的字元集轉換過程
1. MySQL Server收到請求時將請求資料從character_set_client轉換為character_set_connection；
2. 進行內部操作前將請求資料從character_set_connection轉換為內部操作字元集，其確定方法如下：
• 使用每個資料欄位的CHARACTER SET設定值；
• 若上述值不存在，則使用對應資料表的DEFAULT CHARACTER SET設定值(MySQL擴充，非SQL標準)；
• 若上述值不存在，則使用對應資料庫的DEFAULT CHARACTER SET設定值；
• 若上述值不存在，則使用character_set_server設定值。
3. 將操作結果從內部操作字元集轉換為character_set_results。

常見問題解析
• 向預設字元集為utf8的資料表插入utf8編碼的資料前沒有設定串連字元集，查詢時設定串連字元集為utf8

– 插入時根據MySQL伺服器的預設設定，character_set_client、character_set_connection和character_set_results均為latin1；

– 插入操作的資料將經過latin1=>latin1=>utf8的字元集轉換過程，這一過程中每個插入的漢字都會從原始的3個位元組變成6個位元組儲存；

– 查詢時的結果將經過utf8=>utf8的字元集轉換過程，將儲存的6個位元組原封不動返回，產生亂碼……

• 向預設字元集為latin1的資料表插入utf8編碼的資料前設定了串連字元集為utf8

– 插入時根據串連字元集設定，character_set_client、character_set_connection和character_set_results均為utf8；

– 插入資料將經過utf8=>utf8=>latin1的字元集轉換，若未經處理資料中含有/u0000~/u00ff範圍以外的Unicode字元，會因為無法在latin1字元集中表示而被轉換為“?”(0x3F)符號，以後查詢時不管串連字元集設定如何都無法恢複其內容了。

檢測字元集問題的一些手段
• SHOW CHARACTER SET;

• SHOW COLLATION;

• SHOW VARIABLES LIKE 'character%';

• SHOW VARIABLES LIKE 'collation%';

• SQL函數HEX、LENGTH、CHAR_LENGTH

• SQL函數CHARSET、COLLATION

使用MySQL字元集時的建議
• 建立資料庫/表和進行資料庫操作時盡量顯式指出使用的字元集，而不是依賴於MySQL的預設設定，否則MySQL升級時可能帶來很大困擾；

• 資料庫和串連字元集都使用latin1時雖然大部分情況下都可以解決亂碼問題，但缺點是無法以字元為單位來進行SQL操作，一般情況下將資料庫和串連字元集都置為utf8是較好的選擇；

• 使用mysql C API時，初始化資料庫控制代碼後馬上用mysql_options設定MYSQL_SET_CHARSET_NAME屬性為utf8，這樣就不用顯式地用SET NAMES語句指定串連字元集，且用mysql_ping重連斷開的長串連時也會把串連字元集重設為utf8；

• 對於mysql PHP API，一般頁面級的PHP程式總已耗用時間較短，在串連到資料庫以後顯式用SET NAMES語句設定一次串連字元集即可；但當使用長串連時，請注意保持串連通暢並在斷開重連後用SET NAMES語句顯式重設串連字元集。

其他注意事項
• my.cnf中的default_character_set設定隻影響mysql命令串連伺服器時的串連字元集，不會對使用libmysqlclient庫的應用程式產生任何作用！

• 對欄位進行的SQL函數操作通常都是以內部操作字元集進行的，不受串連字元集設定的影響。

• SQL語句中的裸字串會受到串連字元集或introducer設定的影響，對於比較之類的操作可能產生完全不同的結果，需要小心！/P>

在mysql用戶端與mysql服務端之間，存在著一個字元集轉換器。 character_set_client =>gbk：轉換器就知道用戶端發送過來的是gbk格式的編碼character_set_connection=>gbk：將用戶端傳送過來的資料轉換成gbk格式character_set_results =>gbk: 註：以上三個字元集可以使用set names gbk來統一進行設定例子:create table test(name varchar(64) NOT NULL)charset utf8;#這裡的utf8表示伺服器端的字元編碼 首先，往資料表test中插入一條資料inert into test values('測試');則，資料“測試”在資料庫中是以“utf8”格式儲存的過程：

首先，通過mysql用戶端，將資料發送給Mysql伺服器，經過字元集轉換器的時候，由於character_set_connection 值為gbk，所以會將用戶端發送過來的資料轉為gbk格式，緊接著，字元集轉換器將資料要傳送給伺服器的時候，探索服務器是以utf8儲存資料的，所以，在其內部會自動將資料由gbk轉換成utf8格式 什麼時候會出現亂碼？

用戶端的資料格式與聲明的 character_set_client不符

通過 header('Content-type:text/html;charset=utf8');將用戶端的資料轉成utf8格式的，在資料經過“字元集轉換器”的時候，由於character_set_client=gbk，而character_set_connection也等於gbk，所以從用戶端傳送過來的資料（其實是utf8格式）並不會被轉換格式。 但是，字元集轉換器在講資料發送給伺服器的時候，探索服務器要的格式是utf8，所以會將當前數 據當做gbk格式來處理，從而轉成utf8（但是，這一步其實已經錯了。。。）。 2. result與用戶端頁面不符合的時候

將返回結果的格式設定為utf8，但是用戶端接受的格式為gbk，因此會出現亂碼 通過show character set 文法，可以顯示所有可用的字元集latin字元集

注意：Maxlen列顯示用於儲存一個字元的最大的位元組數目。 utf8字元集

gbk字元集

什麼時候會遺失資料？對比以上三幅圖可以知道，每種字元集中，用於儲存一個字元的最大的位元組數目都不同，utf8最大，latin最小。所以在經過字元集轉換器的時候，如果處理不當，會造成資料丟失，而且是無法挽回的。比如： 將character_set_connection的值改為lantin的時候

從用戶端發送過來的gbk資料，會被轉成lantin1格式，因為gbk格式的資料佔用的字元數較多，從而會造成資料丟失

總結：

character_set_client和character_set_results 一般情況下要一致，因為一個表示用戶端發送的資料格式，另一個表示用戶端接受的資料格式為了避免造成資料丟失，需讓 character_set_connection的字元編碼 大於 character_set_client的字元編碼