相信很多朋友都会对字符编码敬而远之,但一发生乱码问题却头大不已,本文结合前人的经验及Mysql手册中的解释,用具体的操作和例子,旨在了解mysql的字符编码机制以及乱码问题的解决。
【问题现象】
网页xxx.php用EditPlus另存为UTF8格式,
MySQL在my.ini(linux系统中配置文件为my.cnf)里设置[ client ] 和 [ mysqld ] 都设置为default-character-set=utf8,
建表时加了CREATE TABLE `xxx ` (myname varchar(255)) ENGINE=MyISAM DEFAULT CHARSET=utf8,
用xxx.php执行insert/update/select出来的都是中文,
貌似没问题,但是用phpMyAdmin看select是乱码,用第三方工具软件(如SQLyog)看select也是乱码,mysqldump也是乱码,很不爽。当然,如果你建表的时候,选择了binary/varbinary/blob类型,不会发现乱码,因为指定的是二进制保存,MySQL保存数据时就没有编码的概念了。
【查找问题】
虽然在my.ini里设置default-character-set=utf8,但是执行以下命令时有新发现:
mysql> SHOW VARIABLES LIKE 'character%';
+----------------------------------------+-------------------------
| Variable_name| Value
+----------------------------------------+-------------------------
| character_set_client | latin1
| character_set_connection | latin1
| character_set_database | utf8
| character_set_filesystem | binary
| character_set_results| latin1
| character_set_server| utf8
| character_set_system| utf8
| character_sets_dir| D:\mysql\share\charsets\
+----------------------------------------+-------------------------
8 rows in set (0.00 sec)
mysql> SHOW VARIABLES LIKE 'collation_%';
+---------------------------------------+------------------
| Variable_name| Value
+---------------------------------------+------------------
| collation_connection | latin1_swedish_ci
| collation_database| utf8_general_ci
| collation_server| utf8_general_ci
+--------------------------------------+------------------
3 rows in set (0.00 sec)
发现Value列里面不全是utf8,仍然有部分是latin1,比如其中的client和connection。
其中本文会多次提及以下几个概念:
character_set_client:客户端发送的查询中所使用的字符集,下文简称client
character_set_connection:服务器接收到查询后,会将查询从character_set_client系统变量所标识的编码转换到character_set_connection,下文简称connection
character_set_results:服务器发送结果集或返回错误信息到客户端所使用的字符集,下文简称results
而这几个字符集设置的关系为:
信息输入路径:client→connection→server
信息输出路径:server→connection→results
换句话说,每个路径要经过3次改变字符集编码。以出现乱码的输出为例,按照上表中的字符集设定:server里utf8的数据,传入connection转为latin1,传入results转为latin1,页面如果设定为UTF-8的话,又把results的latin1转为UTF-8。如果两种字符集不兼容,比如latin1和utf8,转化过程就为不可逆的,破坏性的。所以就转不回来了。
再来一个输入路径的例子:从xxx.php页面上输入汉字,因为xxx.php是UTF8编码的,所以xxx.php以UTF8格式转换输入的汉字,然后以UTF8提交给mysql,但是mysql的client和connection都是latin1的,而server是UTF8的,所以mysql存储时,先将xxx.php提交的汉字,转成latin1的格式,再转成UTF8字符格式存在表中。如果此时我们用第三方软件或者phpMyAdmin去select查看此表,而表中存储的数据是被latin1过的UTF8字符,出来的时候是以UTF8格式取的,当然看起来时乱码了。解决方法就是让所有过程都是UTF8的就可以了。
【解决问题】
一、从my.ini(linux系统为my.cnf)下手
[client]
default-character-set=utf8
[mysql]
default-character-set=utf8
[mysqld]
collation-server = utf8_unicode_ci
init-connect='SET NAMES utf8'
character-set-server = utf8
以上2个section都要加default-character-set=utf8,而默认这两项都为latin1
然后重启mysql,执行
mysql> SHOW VARIABLES LIKE 'character%';
mysql> SHOW VARIABLES LIKE 'collation_%';
确保所有的Value项都是utf8即可。
二、设置数据库(database)、表(table)或字段(column)的字符集(character set)及校对规则(collate)。
例如:建表时加utf8,表字段的Collation可加可不加,不加时默认是utf8_general_ci了。
CREATE TABLE `tablename4` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`varchar1` varchar(255) DEFAULT NULL,
`varbinary1` varbinary(255) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8
这里要说明一下:
1、在服务端,主要分为四个层次,由底到高依次为:server, database, table, column,每一次都可设定其字符集(character set)及校对(collate),如果高层的字符集有设置,则按高层的来进行字符编码,如果本层无设置编码,则采用下一层次的字符集。
因此,如果设置了database级的字符集,则table级的字符集可设可不设,如果既设置了database级又设置了table级,则按table级来存储。
2、字符集(character set)和校对的关系。
字符集是一套符号和编码。校对规则是在字符集内用于比较字符的一套规则。
用一个简单的例子来解释,如,有四个字母,A,B,C,D,我们为每个字母赋予一个数值:‘A’=0,‘B’= 1,‘a’= 2,‘b’= 3。字母‘A’是一个符号,数字0是‘A’的编码,这四个字母和它们的编码组合在一起是一个字符集。而针对某一字符集的校对规则可以有多种,例如按字母所代表的数值大小来排列,或者大小写不敏感的排列等等。
MySQL按照下面的方式选择字符集和 校对规则:
· 如果指定了CHARACTER SET X和COLLATE Y,那么采用CHARACTER SET X和COLLATE Y。
· 如果指定了CHARACTER SET X而没有指定COLLATE Y,那么采用CHARACTER SET X和CHARACTER SET X的默认校对规则。
如果指定了COLLATE Y而没有指定CHARACTER SET X,那么采用COLLATE Y相对应的CHARACTER SET和COLLATE Y。
· 否则,采用低一级服务器字符集和服务器校对规则。
三、页面文件保存时选择utf-8编码,页面上加上utf-8的编码方式:
对于静态页面,在<head>内加上:<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
对于PHP文件:header('conten-type:text/html;charset=utf-8');
对于JSP、Servlet:
a) 设置web容器的编码格式。为你的servlet的doGet或doPost方法开始处加入如下代码:
request.setCharacterEncoding("utf-8");
response.setCharacterEncoding("utf-8");
b) 为每个jsp页面指定其编码格式。<%@ page pageEncoding="utf-8"%>
c) 在连接数据库用的URL后加入:useUnicode=true;characterEncoding=utf-8 如:
url="jdbc:mysql:///db1?useUnicode=true&characterEncoding=utf-8",
如果是xml文件中 url="jdbc:mysql:///db1?useUnicode=true&characterEncoding=utf-8",
四、在执行CRUD操作前先执行一下mysql_query("set names utf8");
网上很多人说要执行set names utf8,我想如果每次数据库连接都要set names一下,原本的一句sql语句变成了两句,很不合理嘛!到底要不要set names utf8还有待测试,因为我刚翻了Mysql5.1的文档,里边有写道:
SET NAMES 'x'语句与这三个语句等价:
mysql>SET character_set_client =x;
mysql>SET character_set_results =x;
mysql>SET character_set_connection =x;
而刚才在my.ini中所设置的CLIENT SECTION中的:default-character-set=utf8就已经同时修改了client、results及connection的值为utf8了。
今天刚实验了一下,页面也已经设置为UTF8的话,不需要再set names一下,在数据库客户端SQLyog也同样不需要!因为mysql初始化时已经从my.ini里读取到default_character_set=utf8并将以上三个变量都设置为utf8了。但如果页面是用别的编码的话,必须要set names为与之一致的编码。
测试代码xxx.php如下:
<?php
header('conten-type:text/html;charset=utf-8');
mysql_connect("localhost", "root", "password") or die("Could not connect: " . mysql_error());
mysql_select_db("test");
mysql_query("set names utf8");//可以去掉这句!
$str = "CHN 软件开发有限公司,JPN ソフトウェア開発株式会社,KOR 소프트웨어 개발 유한 공사,RUS Суд программного обеспечения".time();
$sql = "insert into tablename4 (varchar1, varbinary1 ) values ('".$str."','".$str."')";
echo $sql."<hr>";
mysql_query($sql);
$result = mysql_query("SELECT id, varchar1 ,varbinary1 FROM tablename4");
while ($row = mysql_fetch_array($result, MYSQL_BOTH)) {
printf ("ID: %s , varchar1: %s, varbinary1: %s<br>", $row[0], $row["varchar1"], $row["varbinary1"]);
}
mysql_free_result($result);
?>
如此设置之后,无论是在php页面插入任何utf8字符,在php页面里取出来的,在phpMyAdmin里取出来的,在mysql的第三方客户端软件里取出来的,都是一样的汉字了,不会再发现乱码,mysqldump出来的也是汉字。OK,问题解决。
【CMD那些事儿】
首先,在中文windows系统下,在cmd.exe里运行mysql.exe,有点特别。因为默认情况下,中文windows系统cmd.exe里的字符编码是cp936即GBK,不能显示全部UTF8字符,所以在字符终端里看到乱码是正常现象,不要奇怪,这个问题在类Unix系统的shell终端里可以解决的。
其次,由于CMD的输入输出格式不能改变,中文系统为GBK(可以将CMD与网页浏览器对比一下,浏览器会根据网页文件的字符编码来改变输入输出的字符编码),因此,如果希望在CMD里敲insert、select等输入输出中带有中文字符的语句时,必须保证myqsl的client、connection和results的字符编码为GBK或gb2312,方法是输入命令:set names gbk。如果是从外部SQL文件以Source方式导入到数据库的话,则要保证client、connection的字符编码与外部SQL文件的编码方式一致(可用记事本打开-->另存为 来查看文件的编码格式),如果文件的编码格式不是GBK,例如UTF-8,则要在source之前先set names utf8; 这样,就能正确将中文数据导入至数据库了(但如果此时在CMD里select一下,仍然会显示乱码,原因是此时的results编码格式为utf8,不过没关系,保存在mysql的数据是正确的,只是查询结果集以utf8方式返回到编码格式为GBK的CMD中导致乱码而已),有点啰嗦,希望明白,呵呵!
这里可是印象深刻啊,今天帮一个实习小妹子解决一个导入数据库乱码问题,我一拿到数据库文件,首先检查表语句,确认用的是UTF8编码,然后我开始用cmd命令行方式导入数据库(我的数据库中的client, connection, result, database, server的字符集都为UTF8),我先set names utf8; 然后source导入,没报错,select发现中文乱码。于是我查看SQL文件的编码格式为UTF-8,心想,没错了啦!
百思不得期解,于是上网得知中文Windows系统下的cmd.exe的输入格式都为GBK,于是我又set names gbk;再一次source导入,报错:
ERROR 1406 (22001): Data too long for column 'XXX' at row XX
ERROR 1366 (HY000): Incorrect string value: '\xAB\xA5...' for column 'XXX' at row XX
突然想起SQL文件为UTF-8格式,尝试将其改为ANSI,再次source, 无报错,SELECT也显示中文了。
细心想了一下,自认为的解释是:
第一次导入:set names utf8; 然后source导入,没报错,select发现中文乱码
原因:没报错是因为我的SQL文件本身为UTF-8编码,而我又set names utf8, 即client, connection, result 都为utf8, 编码一致,可以认为数据正确存储到数据库了,而CMD中select为乱码的原因为CMD的编码无法改变,仅为GBK,尽管这时候client, connection, result都为UTF8编码,但最终显示的格式却是GBK!编码不一致,当然出现乱码了,但我猜想这种情况下,数据库里的数据是没问题的!明天再实验一下!
经今早实验,我把数据库drop掉再重新按这种方式导入,没报错,虽然在CMD里select仍然发现乱码,但在SQLyog等客户端是正常显示的,证明我的猜想是对的!
第二次导入:set names gbk;再一次source导入,报错。
原因:这时SQL文件的编码格式为UTF-8,而由于set names gbk导致 client, connection, result都改变为GBK,你声明client的输入格式为GBK,却拿个UTF-8格式的文件给我导入,输入格式不一致导致报错!
第三次导入:先修改SQL文件编码为ANSI,最后source, 无报错,select也是正常的。
原因:我在第二次导入时set names gbk; 这时client, connection, result都为gbk,而且SQL文件格式也为兼容GBK,于是就成功了!
最后总结一下:同时多看看MYSQL手册,了解一下MYSQL的理论,这样遇到错误的时候分析也有理论基础。还有的是建议看英文文档的,并不是说中文的不好,只是认为人总会犯错的,翻译过程难免有错漏,哥今天看中文的手册就发现有一处翻译错误,而且是严重误导性的,上网翻英文版的又发现中文版的漏翻了一些……