Mysql字符集知识总结

字符集&字符编码方式

     字符集(Character set)是多个字符的集合，字符集种类较多，每个字符集包含的字符个数不同，这里的字符可以是英文字符，汉字字符，或者其他国家语言字符。
常见字符集包括：ASCII字符集、LATIN1字符集、GB2312字符集、GBK字符集、GB18030字符集、Unicode字符集等。字符编码方式是用一个或多个字节表示字符集中的一个字符。每种字符集都有自己特有的编码方式，因此同一个字符，在不同字符集的编码方式下，会产生不同的二进制。ASCII是基于罗马字母表的一套字符集，它采用1个字节的低7位表示字符，高位始终为0。LATIN1字符集相对于ASCII字符集做了扩展，仍然使用一个字节表示字符，但启用了高位，扩展了字符集的表示范围。GB2312、GBK、GB18030字符集是支持中文的字符集，字符集范围GB2312<GBK< GB18030。GBK字符集的字符有一字节编码和两字节编码方式。对于00-7F的字符与ASCII保持一致，汉字采用2个字节表示。第一字节范围是81-FE，避免与00-7F冲突。Unicode字符集是计算机科学领域里的一项业界标准，支持了所有国家的文字字符。Unicode字符集有好几种编码方式，比如常见的utf-8，utf-16,utf-32等。Utf8采用1-4个字节表示字符，utf-16采用固定的2个字节，utf-32则采用4个字节存储。

mysql与字符集

      只要涉及到文字的地方，就会存在字符集和编码方式。对于mysql数据库系统而言，用户从mysql client端敲入一条sql语句，通过TCP/IP传递给mysql server进程，到最终存入server端的文件，每个环节都涉及到字符存储。涉及到字符存储的地方，就涉及到字符集编码，通过mysql提供的系统变量就可见一斑。mysql字符集设置系统变量以及含义如下表：

mysql字符编码转换流程

      如果以上各个系统变量的设置不一致，比如character_set_client为UTF8，而character_set_database为GBK，则会出现需要进行编码转换的情况。那么字符集转换的原理是什么？假设GBK字符集的字符串“小明”，需要转为UTF8字符集存储，实际就是对于“小明”字符串中的每个汉字去UTF8编码表里面查询对应的二进制，然后存储，仅此而已，编码转换并不涉及到复杂的算法。mysql字符集转换主要涉及到几个步骤：

1) 将数据从character_set_client设置转换为character_set_connection设置；

2) 将character_set_connection设置转为表字段的字符集设置；

3) 将操作结果从表字段字符集转为character_set_results设置。

下面我通过一个常用的场景来描述字符集转换的流程。用户通过mysql命令行(如果是远程连接：SecureCRT)，敲入命令“insert into T values(1,’小明’)”，字符串’小明’在流转过程中二进制存储内容。

a) 用户采用的客户端为utf8字符集，character_set_client=gbk，character_set_connection=gbk, 表T采用gbk字符集。

由于character_set_client、character_set_connection和表字符集均为GBK，不涉及编码转换。因此，表虽然为字符集虽然为GBK，但“小明”的编码并非为GBK编码的二进制流，而是UTF8的二进制流，两个汉字占用了6个字节，而读取则是一个逆向的过程，不涉及到编码转换，查询依然能正确返回“小明”。

b)  在a)的情况下，改变character_set_client的设置为utf8，查询插入的值。

可以看到返回的值是“灏忔槑”， 这是由于表的字符集是GBK，而客户端请求是UTF8，那么server将二进制流E5B08FE6988E对应的GBK汉字“灏忔槑”转为UTF8汉字对应的二进制流E7818FE5BF94E6A791，因此查询结果在SecureCRT就显示为“灏忔槑”，即通常我们所谓的乱码。

c) 在b)的情况下，设置SecureCRT的字符集为GBK，看看SecureCRT字符集设置对结果影响

可以看到返回的是另外一组字符“鐏忓繑妲?”，整个流转过程与b)一样,只是在第一步发生了字节流转换，设置SecureCRT字符集编码，只是改变了显示方式。

字符集相关的SQL语句

1)  查看字符集编码设置

SHOW VARIABLES LIKE ‘%CHARACTER%’

2)  设置字符集编码

SET NAMES xxx；

这个语句相当于设置了client的字符集，主要包含3个系统变量，character_set_client，character_set_connection和character_set_results。

3) 修改数据库字符集

ALTER DATABASE  DATABASENAME  CHARACTER SET XXX;

这个语句只修改库的字符集，影响后续创建的表的默认定义；对于已创建的表的字符集不受影响。

4) 修改表的字符集

ALTER TABLE TABLENAME CHARACTER SET XXX；

这个语句只修改表的字符集，影响后续该表新增列的默认定义，已有列的字符集不受影响。

ALTER TABLE TABLENAME CONVERT TO CHARACTER SET XXX;

 这个语句同时修改表字符集和已有列字符集，并将已有数据进行字符集编码转换。

5) 修改列字符集

ALTER TABLE `TABLE_NAME` MODIFY COLUMN `COLUMN_NAME`  CHARACTER SET xxx

6)  查询字符的二进制编码

SELECT HEX(COL_NAME) FROM TABLE_NAME;
SELECT LENGTH(COL_NAME) FROM TABLE_NAME;

对于GBK的表，如果查出来一个字符占用了3个字节，比如图1这种情况，则肯定是字符集在某个环节设置统一，图1就是因为客户端是UTF8，而mysqlclient和database都是GBK造成的。

mysql默认的字符集latin1

     mysql 4.x版本之前默认采用的是latin1字符集(又称ISO-8859-1)，latin1字符集编码方式采用单字节编码。抛一个问题，latin1字符集的表，用户写入和读取汉字是否有问题？答案是只要合理设置，没有问题。假设SecureCRT为UTF8，character_set_client和表字符集均设置为latin1，参考第3节的分析，那么用户读取和写入数据的过程中，并不涉及字符集编码转换的问题，将UTF8的汉字字符转为二进制流写入database，提取出来后，secureCRT再将对应的二进制解码为对应的汉字，所以不影响用户的使用。但是，若character_set_client，character_set_connection，与表字符集设置等不统一，就可能出现乱码的情况。