【MySQL管理维护-第5章】MySQL字符集一

     字符集对于数据库中存储的数据来说非常之重要,特别是对于中文环境这类多字节编码的字符尤其特殊,设置不当就极有可能遇到乱码的情况。

一、关于字符集

    数据库中的字符集究竟是什么?在数据库看来,字符集就是各种字符编码的一个集合。对于数据库来说,即使是同一个字符,不同的字符集在处理时它的编码格式都有可能不同。

    总体来说,字符集就是指符号和字符编码的集合。

    在数据库中应用字符集时,对于具体字符集的设置同样也非常的重要,为了能让字符正确地被保存,同时还能正确地被读取出来,到最终正确地显示给用户,这中间 每一个环节都涉及字符集(以及可能发生的转换),只有读和写时,会话所用字符集相互匹配(或者说兼容),最终显示的结果才会正确无误;否则,就会出现不希 望看到,但可能又确实常见的现象:乱码。

 

二、关于校对规则

    校对规则就是指定义的一种比较字符集中字符的规则。也有些资料中将其称为排序规则。校对规则的核心就是比较字符编码的方式。

 

三、MySQL支持的字符集和校对规则

1、怎么知道MySQL数据库当前都支持哪些字符集?

可以使用SHOW CHARACTER SET语句,例如:

(system@localhost)[(none)]> show character set;
+----------+-----------------------------+---------------------+--------+
| Charset  | Description                 | Default collation   | Maxlen |
+----------+-----------------------------+---------------------+--------+
| big5     | Big5 Traditional Chinese    | big5_chinese_ci     |      2 |
| dec8     | DEC West European           | dec8_swedish_ci     |      1 |
| cp850    | DOS West European           | cp850_general_ci    |      1 |
| hp8      | HP West European            | hp8_english_ci      |      1 |
| koi8r    | KOI8-R Relcom Russian       | koi8r_general_ci    |      1 |
| latin1   | cp1252 West European        | latin1_swedish_ci   |      1 |
| latin2   | ISO 8859-2 Central European | latin2_general_ci   |      1 |
| swe7     | 7bit Swedish                | swe7_swedish_ci     |      1 |
| ascii    | US ASCII                    | ascii_general_ci    |      1 |
| ujis     | EUC-JP Japanese             | ujis_japanese_ci    |      3 |
| sjis     | Shift-JIS Japanese          | sjis_japanese_ci    |      2 |
| hebrew   | ISO 8859-8 Hebrew           | hebrew_general_ci   |      1 |
| tis620   | TIS620 Thai                 | tis620_thai_ci      |      1 |
| euckr    | EUC-KR Korean               | euckr_korean_ci     |      2 |
| koi8u    | KOI8-U Ukrainian            | koi8u_general_ci    |      1 |
| gb2312   | GB2312 Simplified Chinese   | gb2312_chinese_ci   |      2 |
| greek    | ISO 8859-7 Greek            | greek_general_ci    |      1 |
| cp1250   | Windows Central European    | cp1250_general_ci   |      1 |
| gbk      | GBK Simplified Chinese      | gbk_chinese_ci      |      2 |
| latin5   | ISO 8859-9 Turkish          | latin5_turkish_ci   |      1 |
| armscii8 | ARMSCII-8 Armenian          | armscii8_general_ci |      1 |
| utf8     | UTF-8 Unicode               | utf8_general_ci     |      3 |
| ucs2     | UCS-2 Unicode               | ucs2_general_ci     |      2 |
| cp866    | DOS Russian                 | cp866_general_ci    |      1 |
| keybcs2  | DOS Kamenicky Czech-Slovak  | keybcs2_general_ci  |      1 |
| macce    | Mac Central European        | macce_general_ci    |      1 |
| macroman | Mac West European           | macroman_general_ci |      1 |
| cp852    | DOS Central European        | cp852_general_ci    |      1 |
| latin7   | ISO 8859-13 Baltic          | latin7_general_ci   |      1 |
| utf8mb4  | UTF-8 Unicode               | utf8mb4_general_ci  |      4 |
| cp1251   | Windows Cyrillic            | cp1251_general_ci   |      1 |
| utf16    | UTF-16 Unicode              | utf16_general_ci    |      4 |
| utf16le  | UTF-16LE Unicode            | utf16le_general_ci  |      4 |
| cp1256   | Windows Arabic              | cp1256_general_ci   |      1 |
| cp1257   | Windows Baltic              | cp1257_general_ci   |      1 |
| utf32    | UTF-32 Unicode              | utf32_general_ci    |      4 |
| binary   | Binary pseudo charset       | binary              |      1 |
| geostd8  | GEOSTD8 Georgian            | geostd8_general_ci  |      1 |
| cp932    | SJIS for Windows Japanese   | cp932_japanese_ci   |      2 |
| eucjpms  | UJIS for Windows Japanese   | eucjpms_japanese_ci |      3 |
+----------+-----------------------------+---------------------+--------+
40 rows in set (0.01 sec)

就中文环境来说,最常用的字符集有下面几种:

GB2312:主要包含简体中文字符及常用符号,这种字符集对于中文字符采用双字节编码的格式,也就是说一个汉字字符在存储时会占两个字节。

GBK:包括有中、日、韩字符的大字符集,GB2312也是GBK的一个子集,就是说GB2312中的所有字符,GBK中全都有,这种情况下,我们也会将 GBK称为GB2312的超集,GBK也是双字节编码的格式。将子集中的字符转换成超集中保存不会丢失信息(不会乱码);但反之则不一定。因此对于超集字 符集降级转换成某个子集的操作,需要务必慎重,并反复检验结果,确认不出现丢失字符信息导致乱码的情况。

提示:此外,还有专门对应繁体中文的BIG5字符集,话说BIG5也是GBK的子集。

UTF8:它对于英文字符使用一个字节编码,而对于多字节字符(如中文)则使用3个字节编码,UTF8能够支持大部分常见字符,包括西、中、日、韩、法、俄等各种文字,因此可以将上面提到的几种字符集都视为UTF8的子集。

UTF8MB4:它是UTF8字符集的超集,UTF8能够支持的字符,它全都能支持,UTF8不能支持的字符,它也能支持。这是自MySQL 5.5版本才幵始新引入的字符集,其引入是为了处理像emoji这类表情字符。UTF8MB4字符集中,一个字符使用4个字节编码,能够支持的字符最广,但是相应占用的空间也最大。


2、如何确定某个字符集支持哪些校对规则?

一个字符集至少会拥有一个校对规则,显示字符集的校对规则可以使用SHOW COLLATION语句。

比如说,查看latinl字符集所拥有的校对规则:

(system@localhost)[(none)]> show collation like latin1%‘;
+-------------------+---------+----+---------+----------+---------+
| Collation         | Charset | Id | Default | Compiled | Sortlen |
+-------------------+---------+----+---------+----------+---------+
| latin1_german1_ci | latin1  |  5 |         | Yes      |       1 |
| latin1_swedish_ci | latin1  |  8 | Yes     | Yes      |       1 |
| latin1_danish_ci  | latin1  | 15 |         | Yes      |       1 |
| latin1_german2_ci | latin1  | 31 |         | Yes      |       2 |
| latin1_bin        | latin1  | 47 |         | Yes      |       1 |
| latin1_general_ci | latin1  | 48 |         | Yes      |       1 |
| latin1_general_cs | latin1  | 49 |         | Yes      |       1 |
| latin1_spanish_ci | latin1  | 94 |         | Yes      |       1 |
+-------------------+---------+----+---------+----------+---------+
8 rows in set (0.00 sec)

Default列显示了校对规则是否是该字符集的默认规则。

MySQL数据库中字符集的校对规则都有一些共同的特点:

每种校对规则只能属于一种字符集,也就是说,不同字符集不可能拥有同一个校对规则。 

每种字符集都拥有一个默认的校对规则(default collation), SHOW CHARACTER SET语句显示的结果中,也指明了字符集的默认校对规则。 

校对规则的名称也有规则,通常开头的字符是校对规则所属的字符集,而后是其所属语言,最后则是校对规则类型的简写形式,有下列3种格式: 

> _ci:全称为case insensitive,表示这是大小写不敏感的规则。

> _cs:全称为case sensitive,表示这是大小写敏感的规则。

> _bin:即binary,表示这是一个二元校对规则,话说二元校对规则也一定是 大小写敏感规则。

 


本文出自 “Lee” 博客,转载请与作者联系!

郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。