字符集与Mysql字符集处理（二）

接着上篇文章继续讲字符集的故事。这一篇文章主要讲MYSQL的各个字符集设置，关于基础理论部分，参考于这里。

 

1. MYSQL的系统变量

– 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

简单来说，对于使用MYSQL C API的我们来说，主要关心的是3个字符集，即character_set_client, character_set_connection和character_set_results。但是从我的使用的角度上来说，总觉得character_set_connection有点多余。

 

2. MySQL中的字符集转换过程

这一节完全盗版的http://www.laruence.com/2008/01/05/12.html。为了阅读起来方便，再贴一遍。

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。

上面从character_set_connection转换到内部操作字符集的过程看起来比较复杂，但是如果我们在MYSQL建表的时候指定了数据表的字符集，就可以简单认为这个“内部操作字符集”就是对应表的字符集。所以说，我比较推荐在建表的时候带上这句话“DEFAULT CHARSET=xxx”，其中的xxx可以通过”select character_set_name from information_schema.CHARACTER_SETS”来获取。建议是”UTF8”。

 

3. MySQL中的字符集转换实验

我这里的环境是这样的。

• main.cpp是utf-8格式的，编译的gcc并没有指定finput-charset和fexec-charset，所以可执行文件中的中文应该也是以utf-8的方式存储的；
• linux终端环境是de_DE（export LANG=de_DE）
• MYSQL中的建表语句是

  CREATE TABLE `tbl_test` (
  `id` int ,
  name varchar(20000),
  uptime date,
  PRIMARY KEY (`id`)
  ) ENGINE=InnoDB DEFAULT CHARSET=utf8

 

实验一：正确地处理中文的过程

这个实验的大致过程是，

• 在连接之后，使用set names utf8同时设置了character_set_client, character_set_connection和character_set_results。
• 通过set character_set_client=gbk设置客户端的字符集。
• 在代码中硬编码出“insert into tbl_test(id, name, uptime) VALUES (100, ‘你好’, ‘20130101’)
• 然后调整那个”好“为”饕“。

 

需要注意的点是，我首先将二进制中的硬编码（utf8格式）的char*串转换成wchar_t*串，然后调整中文。在出去之前再将wchar_t*串调整为gbk的char*串。经过试验，下面的代码运行正常。

#include <vector>
#include <string>
#include <tr1/memory>
#include <sstream>

#include "common/dbcomm/DbComm.h"

using namespace std;

COMMON::DbLocation dbLocation1;

void InsertBySqlStatmentTest1();

int main()
{
    dbLocation1.SetDbId("TEST_DB1");
    dbLocation1.SetIp("127.0.0.1");
    dbLocation1.SetPort("3306");
    dbLocation1.SetUser("cup_dba");
    dbLocation1.SetPassword("123456");

    InsertBySqlStatmentTest1();

    return 0;
}

void InsertBySqlStatmentTest1()
{
    try
    {
        vector<COMMON::DbLocation> dbLocations_array;
        dbLocations_array.push_back(dbLocation1);
        dbLocations_array.push_back(dbLocation2);

        tr1::shared_ptr<COMMON::IDbTasks> mysqlTasks( new COMMON::MysqlDbTasks(dbLocations_array, true) );
        mysqlTasks->Connect();

        cout << "Connect success" << endl;
        
        {
            COMMON::DbExecuteAction* char_action = mysqlTasks->Execute();
            COMMON::ExecuteFilter char_filter("set names utf8");
            char_action->Do(&char_filter, &dbLocation1);  
            
            // change the character_set_client to gbk
            COMMON::ExecuteFilter char_filter2("SET character_set_client = gbk");
            char_action->Do(&char_filter2, &dbLocation1);
            char_action->EndAction();  
        }
        
        COMMON::DbExecuteAction* insert_action = mysqlTasks->Insert(5000);

        stringstream ss;
        ss << "INSERT INTO tbl_test(id, name, uptime) VALUES" << "(" << 100 << "," << "'你好'," << "'20130101')";

        string statement = ss.str();

        // use mbstowcs to change the sql statement to wide-char-string
        // we use the default value of fexec-charset, which is utf-8, to compile this file with gcc.
        setlocale(LC_ALL, "zh_CN.utf8");
        size_t wcs_size = mbstowcs(NULL, statement.c_str(), 0);
        wchar_t* dest = new wchar_t[wcs_size + 1];
        wmemset(dest, L'', wcs_size + 1); 
        mbstowcs(dest, statement.c_str(), statement.size() * sizeof(char));
        
        // change the last '好' to '饕'
        wchar_t *tmp = wcsrchr(dest, L'好');
        *tmp = L'饕';
        
        // change the sql statement to the charset that corresponds to the character_set_client of mysql
        setlocale(LC_ALL, "zh_CN.gbk");
        size_t mbs_size = wcstombs(NULL, dest, 0);
        char* buf_mbs = new char [mbs_size + 1];
        memset(buf_mbs, '', mbs_size + 1);
        wcstombs(buf_mbs, dest, wcs_size * sizeof(wchar_t));
        
        // try to insert into mysql
        COMMON::InsertFilter insertFilter(buf_mbs);
        insert_action->Do(&insertFilter);
        insert_action->EndAction();

        cout << "EndAction success" << endl;

        mysqlTasks->Disconnect();

        cout << "Disconnect success" << endl;
    }
    catch (COMMON::ThrowableException& e)
    {
        cout << e.What() << endl;
    }
    catch (...)
    {
        cout << "unknown exception" << std::endl;
    }
}

实验二：错误地处理中文的过程

现在来做一些修改，我们先把情况变得简单一些，我们不恶意地去set character_set_client=gbk，而是只运行set names utf8。然后在拿到拼凑好的sql语句的时候，利用string::find方法找到‘你’，然后直接利用结果的数字下标来修改成‘饕’。具体的代码如下

#include <vector>
#include <string>
#include <tr1/memory>
#include <sstream>

#include "common/dbcomm/DbComm.h"

using namespace std;

COMMON::DbLocation dbLocation1;

void InsertBySqlStatmentTest1();

int main()
{
    dbLocation1.SetDbId("TEST_DB1");
    dbLocation1.SetIp("127.0.0.1");
    dbLocation1.SetPort("3306");
    dbLocation1.SetUser("cup_dba");
    dbLocation1.SetPassword("123456");

    InsertBySqlStatmentTest1();

    return 0;
}

void InsertBySqlStatmentTest1()
{
    try
    {
        vector<COMMON::DbLocation> dbLocations_array;
        dbLocations_array.push_back(dbLocation1);

        tr1::shared_ptr<COMMON::IDbTasks> mysqlTasks( new COMMON::MysqlDbTasks(dbLocations_array, true) );
        mysqlTasks->Connect();

        cout << "Connect success" << endl;

        {
            // ************这里不再恶作剧地修改character_set_client为gbk**************
            COMMON::DbExecuteAction* char_action = mysqlTasks->Execute();
            COMMON::ExecuteFilter char_filter("set names utf8");
            char_action->Do(&char_filter, &dbLocation1);
            char_action->EndAction();  
        }

        COMMON::DbExecuteAction* insert_action = mysqlTasks->Insert(5000);

        stringstream ss;
        ss << "INSERT INTO tbl_test(id, name, uptime) VALUES" << "(" << 100 << "," << "'你好'," << "'20130101')";

        // ************直接修改string**************
        string statement = ss.str();
        size_t pos = statement.find('你');
        statement[pos] = '饕';
        
        // try to insert into mysql
        COMMON::InsertFilter insertFilter(statement);
        insert_action->Do(&insertFilter);
        insert_action->EndAction();

        cout << "EndAction success" << endl;

        mysqlTasks->Disconnect();

        cout << "Disconnect success" << endl;
    }
    catch (COMMON::ThrowableException& e)
    {
        cout << e.What() << endl;
    }
    catch (...)
    {
        cout << "unknown exception" << std::endl;
    }
}

 

结果是，

为了追寻错误的原因，让我们从十六进制的角度来看。

可以看到，

        size_t pos = statement.find('你');
        statement[pos] = '饕';

 

实质只改动了一个字节（utf8编码，从‘你’的E4BDA0到‘何’的E4BC95，我们的改动，就是那个95，他是‘饕’的一个字节。）这个现象也符合我们对于string行为的认识。

 

4. 总结和建议

• 建议对于每一张数据表都设置字符集
• 建议把character_set_client, character_set_connection和character_set_results设置为和数据表的字符集一致
• 在使用MYSQL C API的时候，初始化数据库句柄后马上用mysql_options设定MYSQL_SET_CHARSET_NAME属性为与数据表的字符集一致的字符集，或者通过发送SQL语句set names xxx来设置字符集。
• 如果需要处理中文，那么数据表的字符集通常是utf-8或者gbk。
• 如果要对中文做字符处理，那么就一定要根据实际的情况设置setlocale，使用mbstowcs转换成wcs，然后针对wide-char string进行操作，再使用wcstombs转换为多字节字符串拼成sql语句传递给数据库连接。