字符集及其校对规则

最新推荐文章于 2024-07-09 20:14:50 发布

a_MEI

最新推荐文章于 2024-07-09 20:14:50 发布

阅读量524

点赞数

异常-MYSQL操作专栏收录该内容

21 篇文章 0 订阅

订阅专栏

转至：http://blog.zol.com.cn/2404/article_2403287.html

为什么需要字符集？

从本质上来说，计算机只能识别二进制代码，因此，不论是计算机程序还是其处理的数据，最终都必须转换成二进制码，计算机才能认识。从这个意义上讲，计算机既不认识 English ，也不懂中文，根本就是个“文盲”！为了使计算机不仅能做科学计算，也能处理文字信息，人们想出了给每个文字符号编码以便于计算机识别处理的办法，这就是计算机字符集的由来。

字符集及其校对规则的概念

简单地说，字符集就是一套文字符号及其编码的集合。而校对规则是指一个字符集中比较排序规则的集合。

例如，对于符号“ A,B,a,b” ，我们对每一个符号分配一个数字编码： A=0,B=1,a=2,b=3 ，则这些符号及其编码就是一个字符集。

如果现在要比较上述字符集中的两个符号 A 和 B 的大小该怎么做呢？最简单的办法就是看其编码的大小，因为 B 的编码 1 大于 A 的编码 0 ，所以我们说 B 大于 A 。在上述比较过程中，我们实际上是定义了一条规则：通过比较符号的编码大小来确定符号的大小。这其实就是定义了一个字符集的校对规则，只不过这个校对规则中只有一条规则。

第一个计算机字符集 ---ASCII

1960 年代初期，美国标准化组织 ANSI 发布了第一个计算机字符集 ── ASCII （ American Standard Code for Information Interchange ），后来进一步变成了国际标准 ISO-646 。这个字符集采用 7 位编码，定义了包括大小写英文字母、阿拉伯数字和标点符号，以及 33 个控制符号等。虽然现在看来，这个美式的字符集很简单，包括的符号也很少，但直到今天它依然是计算机世界里奠基性的标准，其后制定的各种字符集基本都兼容 ASCII 字符集。

自 ASCII 之后，为了处理不同的文字，各大计算机公司、各国政府、标准化组织等先后发明了几百种字符集，如大家熟悉的 ISO-8859 系列、 GB2312-80 、 GBK 、 BIG5 等。这些五花八门的字符集，从收录的字符到编码规则各不相同，给计算机软件开发和移植带来了很大困难。一个软件要在使用不同文字的国家或地区发布，必须进行本地化开发！基于这个原因，统一字符编码，成了 1980 年代计算机业的迫切需要和普遍共识。

unicode 简述

为了统一字符编码，国际标准化组织 ISO （ International Organization for Standardization ）的一些成员国于 1984 年发起制定新的国际字符集标准，以容纳全世界各种语言文字和符号。这个标准最后叫做 “ Universal Multiple-Octet Coded Character Set ” ，简称 UCS ，标准编号则定为 ISO-10646 。 ISO-10646 标准采用 4 字节（ 32bit ）编码，因此简称 UCS-4 。具体编码规则是：将代码空间划分为组（ group ）、面（ plane ）、行（ row ）和格（ ceil ）；第 1 个字节代表组（ group ），第 2 个字节代表面（ plane ），第 3 个字节代表行（ row ），第 4 个字节代表格（ ceil ），并规定字符编码的第 32 位必须为 0 ，且每个面（ plane ）的最后两个码位 FFFEh 和 FFFFh 保留不用；因此， ISO-1064 共有 128 个群组（ 0 ～ 0x7F ），每个群组有 256 个字面（ 00 ～ 0xFF ），每个字面有 256 行（ 00 ～ 0xFF ），每行包括 256 格（ 0 ～ 0xFF ），共有 256 * 128 = 32,768 个字面，每个字面有 256×256 － 2 ＝ 65,534 个码位，合计 65534×32768 ＝ 2,147,418,112 个码位。

ISO-10646 发布以后，遭到了部分美国计算机公司的反对。 1988 年 Xerox 公司提议制定新的以 16 位编码的统一字符集 Unicode ，并联合 Apple 、 IBM 、 DEC 、 Sun 、 Microsoft 、 Novell 等公司成立 Unicode 协会（ The Unicode Consortium ），并成立 Unicode 技术委员会（ Unicode Technical Committee ），专门负责 Unicode 文字的搜集、整理和编码，并于 1991 年推出了 Unicode 1.0 。

都是为了解决字符编码统一问题， ISO 和 Unicode 协会却推出了两个不同的编码标准，这显然是不利的。后来，大家都认识到了这一点，经过双方谈判， 1991 年 10 月达成协议， ISO 将 Unicode 编码并入 ISO-10646 的 0 组 0 字面，叫作基本多语言文字面（ Basic Multi-lingual Plane, BMP ），共有 65,534 个码位，并根据不同用途分为若干区域。除 BMP 外的 32,767 个字面又分为辅助字面（ supplementary planes ）和专用字面（ private use planes ）两部分，辅助字面用以收录 ISO-10646 后续搜集的各国文字，专用字面供使用者自定义收录 ISO-10646 未收录的文字符号。其实，大部分用户只使用 BMP 字面就足够了，早期的 ISO-10646-1 标准也只要求实现 BMP 字面，这样只需要 2 字节来编码就足够了， Unicode 也正是这么做的，这叫作 ISO-10646 编码的基本面形式，简称为 UCS-2 编码， UCS-2 编码转换成 UCS-4 编码也很容易，只要在前面加两个取值为 0 的字节即可。

ISO-10646 的编码空间足以容纳人类从古至今使用过的所有文字和符号，但其实许多文字符号都已经很少使用了，超过 99% 的在用文字符号都编入了 BMP ，因此，绝大部分情况下， Unicode 的双字节编码方式都能满足需求，而这种双字节编码方式比起 ISO-10646 的 4 字节原始编码来说，在节省内存和处理时间上都具有优势，这也是 Unicode 编码方式更流行的原因。但如果万一要使用 ISO-10646 BMP 字面以外的文字怎么办呢？ Unicode 提出了名为 UTF-16 或代理法（ surrogates ）的解决方案， UTF 是 UCS/Unicode Transformation Format 的缩写。 UTF-16 的解决办法是：对 BMP 字面的编码保持二字节不变，对其他字面的文字按一定规则将其 32 位编码转换为两个 16 位的 Unicode 编码，其两个字节的取值范围分别限定为 0xD800 ～ 0xDBFF 和 0xDC00 ～ 0xDFFF ，因此， UTF-16 共有（ 4×256 ） × （ 4×256 ）＝ 1048576 个码位。

虽然 UTF-16 解决了 ISO-10646 除 BMP 外第 1 至第 15 字面的编码问题，但当时的计算机和网络世界还是 ASCII 的天下，只能处理单字节数据流， UTF-16 在离开 Unicode 环境后，在传输和处理中都存在问题。于是 Unicode 又提出了名为 UTF-8 的解决方案， UTF-8 按一定规则将一个 ISO-10646 或 Unicode 字元码转换成 1 至 4 个字节的编码，其中将 ASCII 码（ 0 ～ 0x7F ）转换成单字节编码，也就是严格兼容 ASCII 字符集； UTF-8 的 2 字节编码，用以转换 ISO-10646 标准 0x0080 ～ 0x07FF 的 UCS-4 原始码； UTF-8 的 3 字节编码，用以转换 ISO-10646 标准 0x0800 ～ 0xFFFF 的 UCS-4 原始码； UTF-8 的 4 字节编码，用以转换 ISO-10646 标准 0x00010000 ～ 0001FFFF 的 UCS-4 原始码。

上述各种编码方式，看起来有点让人迷惑。其实， ISO-10646 只是给每一个文字符号分配了一个 4 字节无符号整数编号（ UCS-4 ），并未规定在计算机中如何去表示这个无符号整数编号。 UTF-16 和 UTF-8 就是其两种变通表示方式。

ISO-10646 与 Unicode 统一以后，两个组织虽然都继续发布各自的标准，但二者之间是一致的。由于 Unicode 最早投入应用，其编码方式更加普及，因此，许多人都知道 Unicode ，但对 ISO- 10646 却了解不多。但由于二者是一致的，因此，区分 ISO-10646 和 Unicode 的意义也就不大了。现在，大家说 Unicode 和 ISO-10646 ，一般指的是同一个东西，只是 Unicode 更直接、更普及罢了。二者不同版本的对应关系如下。

Unicode 2.0 等同于 ISO/IEC 10646-1:1993 。
Unicode 3.0 等同于 ISO/IEC 10646-1:2000 。
Unicode 4.0 等同于 ISO/IEC 10646:2003 。

最后要说的是， UTF-16 和 UTF-32 因字节序的不同，又有了 UTF-16BE （ Big Endian ）、 UTF-16LE （ Little Endian ）和 UTF-32BE （ Big Endian ）、 UTF-32LE （ Little Endian ）等

常见汉字字符集简介

在计算机发展的不同阶段，我国也参照当时的国际标准和实际需要，制定了一些汉字字符集编码标准，主要包括：

GB2312-80 ：全称《信息交换用汉字编码字符集基本集》，于 1980 年发布。根据 ISO/IEC 2022 提供的字符编码扩充规范，形成双字节编码的字符集。收录了 6763 个常用汉字和 682 个非汉字图形符号。
GB13000 ：全称《信息技术通用多八位编码字符集 (UCS) 第一部分：体系结构与基本多文种平面》，于 1993 年发布。根据 ISO/IEC 10646-1:1993 ，在 CJK （中、日、韩简称）统一汉字区和 CJK 统一汉字扩充区 A ，除收录 GB2312-80 外，还收录了第 1 、 3 、 5 、 7 辅助集的全部汉字，共 27 ， 484 个，以及一些偏旁部首等。但 GB13000 推出后，几乎没有得到业界的支持，也就成了一个形式上的标准。
GBK ：全称《汉字内码扩展规范》 1.0 版，发布于 1995 年。 GBK 在 GB2312 内码系统的基础上进行了扩充，收录了 GB13000.1-1993 的全部 20902 个 CJK 统一汉字，包括 GB2312 的全部 6763 个汉字。此外，它增补编码了 52 个汉字， 13 个汉字结构符（在 ISO/IEC 10646.1: 2000 中称为表意文字描述符）和一些常用部首与汉字部件。在 GBK 的内码系统中， GB2312 汉字所在码位保持不便，这样，保证了 GBK 对 GB2312 的完全兼容。同时， GBK 内码与 GB13000.1 代码一一对应，为 GBK 向 GB13000.1 的转换提供了解决办法。有意思的是 GBK 并不是一个强制性的国家标准，只是一个行业指导规范，并没有强制力，但由于得到了 Microsoft Windows 95 的支持而大为流行。
GB18030 ：全称《信息技术信息交换用汉字编码字符集、基本集的扩充》，发布于 2000 年。根据 ISO/IEC 10646-1:2000 ，收录了 ISO/IEC 10646.1: 2000 全部 27,484 个 CJK 统一汉字， 13 个表意文字描述符、部分汉字部首和部件、欧元符号等。 GB18030 采用 2 字节或 4 字节编码，其二字节编码部分与 GBK 保持一致，因此， GB18030 是 GBK 的超集，也完全与 GB13000 向上兼容，制定 GB18030 也是为了解决 GBK 强制力不够的问题。

以上简要介绍了几种汉字字符集，下面将一些常用字符集的特点归纳如表 2.2-1 所示。

表 2.2-1 常用字符集比较

字符集	是否定长	编码方式	其他说明
ACSII	是	单字节 7 位编码	最早的奠基性字符集
ISO-8859-1/latin1	是	单字节 8 位编码	西欧字符集，经常被一些程序员用来转码
GB2312-80	是	双字节编码	早期标准，不推荐再使用
GBK	是	双字节编码	虽然不是国标，但支持的系统不少
GB18030	否	2 字节或 4 字节编码	开始有一些支持，但数据库支持的还少见
BIG5	是	双字节编码	繁体汉字字符集，由台湾 5 公司联合制定，因此又叫大五码，曾经是港奥台等繁体字地区的首选。
UTF-32	是	4 字节编码	UCS-4 原始编码，目前很少采用
UCS-2	是	2 字节编码	Windows 2000 内部用 UCS-2
UTF-16	否	2 字节或 4 字节编码	Java 和 Windows XP/NT 等内部使用 UTF-16
UTF-8	否	1 至 4 字节编码	互联网和 UNIX/Linux 广泛支持的 Unicode 字符集； MySQLServer 也使用 UTF-8

选择字符集的一般原则

对数据库来说，字符集更加重要，因为数据库存储的数据大部分都是各种文字，字符集对数据库的存储、处理性能，以及日后系统的移植、推广都会有影响。

MySQL 5.0 目前支持几十种字符集， UTF-8 是 MySQL 5.0 支持的唯一 Unicode 字符集，但版本是 3.0 ，不支持 4 字节的扩展部分。面对众多的字符集，我们该如何选择呢？

虽然没有一定之规，但在选择数据库字符集时，可以根据应用的需求，结合上面介绍的一些字符集的特点来权衡，主要考虑因素包括：

（ 1 ）满足应用支持语言的需求，如果应用要处理各种各样的文字，或者将发布到使用不同语言的国家或地区，就应该选择 Unicode 字符集。对 MySQL 来说，目前就是 UTF-8 。

（ 2 ）如果应用中涉及已有数据的导入，就要充分考虑数据库字符集对已有数据的兼容性。假如已有数据是 GBK 文字，如果选择 GB2312-80 为数据库字符集，就很可能出现某些文字无法正确导入的问题。

（ 3 ）如果数据库只需要支持一般中文，数据量很大，性能要求也很高，那就应该选择双字节定长编码的中文字符集，比如 GBK 。因为，相对于 UTF-8 而言， GBK 比较“小”，每个汉字只占 2 个字节，而 UTF-8 汉字编码需要 3 个字节，这样可以减少磁盘 I/O 、数据库 cache ，以及网络传输的时间，从而提高性能。相反，如果应用主要处理英文字符，仅有少量汉字数据，那么选择 UTF-8 更好，因为 GBK 、 UCS-2 、 UTF-16 的西文字符编码都是 2 个字节 , 会造成很大不必要的开销。

（ 4 ）如果数据库需要做大量的字符运算，如比较、排序等，选择定长字符集可能更好，因为定长字符集的处理速度要比变长字符集的处理速度快。

（ 5 ）如果所有客户端程序都支持相同的字符集，应该优先选择该字符集作为数据库字符集。这样可以避免因字符集转换带来的性能开销和数据损失。

MySQL 支持的字符集

MySQL 服务器可以支持多种字符集，在同一台服务器、同一个数据库、甚至同一个表的不同字段都可以指定使用不同的字符集，相比 Oracle 等其他数据库管理系统，在同一个数据库只能使用相同的字符集， MySQL 明显存在更大的灵活性。

查看所有可用的字符集的命令是 show character set ：

mysql> show character set;

+----------+-----------------------------+---------------------+--------+

+----------+-----------------------------+---------------------+--------+

| dec8 | DEC West European | dec8_swedish_ci | 1 |

| cp850 | DOS West European | cp850_general_ci | 1 |

| hp8 | HP West European | hp8_english_ci | 1 |

……

或者查看 information_schema.character_set ，可以显示所有的字符集和该字符集默认的校对规则。

mysql> desc information_schema.character_sets;

+----------------------+-------------+------+-----+---------+-------+

+----------------------+-------------+------+-----+---------+-------+

| MAXLEN | bigint(3) | NO | | 0 | |

+----------------------+-------------+------+-----+---------+-------+

4 rows in set (0.00 sec)

MySQL 的字符集包括字符集（ CHARACTER ）和校对规则（ COLLATION ）两个概念。字符集和校对规则是一对多的关系， MySQL 支持 30 多种字符集的 70 多种校对规则。

每个字符集至少对应一个校对规则。可以用“ SHOW COLLATION LIKE '***'; ”命令或者查看 information_schema.COLLATIONS 。查看相关字符集的校对规则。

mysql> SHOW COLLATION LIKE 'gbk%';

+----------------+---------+----+---------+----------+---------+

+----------------+---------+----+---------+----------+---------+

| gbk_chinese_ci | gbk | 28 | Yes | Yes | 1 |

| gbk_bin | gbk | 87 | | Yes | 1 |

+----------------+---------+----+---------+----------+---------+

2 rows in set (0.00 sec)

校对规则命名约定：它们以其相关的字符集名开始，通常包括一个语言名，一个说明性后缀，如 _ci 后缀，表示大小写不敏感， _cs 后缀，表示大小写敏感， _bin 后缀表示二进制代码比较，即比较是基于字符编码的值而与 language 无关等。

例如，上面例子中 GBK 的校对规则，其中 gbk_chinese_ci 是默认的校对规则，大小写不敏感的， gbk_bin 按照编码的值进行比较，是大小写敏感的。

下面的这个例子中，如果指定 'A' 和 'a' 按照 gbk_chinese_ci 校对规则进行比较，则认为两个字符是相同的，如果按照 gbk_bin 校对规则进行比较，则认为两个字符是不同的。我们事先需要确认应用的需求，是需要按照什么样的排序方式，是否需要区分大小写，以确定校对规则的选择。

mysql> select case when 'A' COLLATE gbk_chinese_ci = 'a' collate gbk_chinese_ci then 1 else 0 end;

+--------------------------------------------------------------------------------------+

| case when 'A' COLLATE gbk_chinese_ci = 'a' collate gbk_chinese_ci then 1 else 0 end |

+--------------------------------------------------------------------------------------+

| 1 |

+--------------------------------------------------------------------------------------+

1 row in set (0.00 sec)

mysql> select case when 'A' COLLATE gbk_bin = 'a' collate gbk_bin then 1 else 0 end;

+------------------------------------------------------------------------+

| case when 'A' COLLATE gbk_bin = 'a' collate gbk_bin then 1 else 0 end |

+------------------------------------------------------------------------+

| 0 |

+------------------------------------------------------------------------+

1 row in set (0.00 sec)

服务器字符集

服务器字符集和校对规则用做 mysql 数据库的默认字符集和校对规则。服务器字符集和校对规则可以在 MySQL 配置文件 my.cnf 中设置：

[mysqld]

Character_set_server=gbk

Collation_server=gbk_chinese_ci

或

[mysqld]

default-character-set=gbk

也可以通过命令行参数指定：

mysqld –-character_set_server=gbk –collation_server=gbk_chinese_ci

或

mysqld --default-character-set=gbk

在数据库启动后，也可以进行动态修改：

Set character_set_server = utf8;

Set collation_server=utf8_bin

如果没有特别指定服务器字符集，默认使用 latin1 作为服务器字符集，如果不指定校对规则，则使用该字符集默认的校对规则。服务器字符集的默认校对规则是在编译时指定的，如果你希望改变默认的服务器字符集，就需要在编译前执行以下配置指令：

./configure --with-charset=gbk

./configure –with_collation=gbk_chinese_ci

可以用“ show variables like 'character_set_server'; ”命令查询当前服务器的字符集和校对规则。

mysql> show variables like 'character_set_server';

+----------------------+-------+

| Variable_name | Value |

+----------------------+-------+

| character_set_server | gbk |

+----------------------+-------+

1 row in set (0.00 sec)

mysql> show variables like 'collation_server';

+------------------+----------------+

| Variable_name | Value |

+------------------+----------------+

| collation_server | gbk_chinese_ci |

+------------------+----------------+

1 row in set (0.00 sec)

数据库字符集

数据库的字符集和校对规则用做数据库表的默认字符集和校对规则，除此以外， load data infile 语句也会使用数据库字符集和校对规则。

数据库的字符集和校对规则在创建数据库的时候指定，也可以通过“ alter database ”命令动态修改数据库的字符集和校对规则。但需要注意的是，字符集和校对规则的修改，只对此后该数据库中新建的表生效，对于数据库里已经存在的表，修改数据库字符集并不会改变其原有的字符集和校对规则。

MySQL 设置数据库字符集的规则是：

如果指定了字符集和校对规则，则使用指定的字符集和校对规则；
如果指定了字符集没有指定校对规则，则使用指定字符集的默认校对规则；
如果没有指定字符集和校对规则，则使用服务器字符集和校对规则作为数据库的字符集和校对规则。

推荐在创建数据库的时候明确指定字符集和校对规则，避免受到默认值的影响。

要显示当前数据库的字符集和校对规则，可以使用“ show variables like ' character_set_database ' ”和“ show variables like ' collation_database ' ” 命令查看：

mysql> show variables like 'character_set_database';

+------------------------+-------+

| Variable_name | Value |

+------------------------+-------+

| character_set_database | utf8 |

+------------------------+-------+

1 row in set (0.00 sec)

mysql> show variables like 'collation_database';

+--------------------+-----------------+

| Variable_name | Value |

+--------------------+-----------------+

| collation_database | utf8_general_ci |

+--------------------+-----------------+

1 row in set (0.00 sec)

表字符集

表字符集和校对规则用做 mysql 表字段的默认字符集和校对规则。表字符集和校对规则是 mysql 的扩展，不是标准 SQL 定义的内容。

表的字符集和校对规则在创建表的时候指定，也可以通过 alter table 命令进行修改，特别要注意，如果表中已有记录，修改字符集对原有的记录并没有影响，不会自动将其转换成新的字符集，表的字段仍然使用原来的字符集，只是在新增字段时，如果不特别指定字符集和校对规则， MySQL 会使用新的表字符集和校对规则。

设置表的字符集的规则和上面基本类似：

如果指定了字符集和校对规则，使用指定的字符集和校对规则；
如果指定了字符集没有指定校对规则，使用指定字符集的默认校对规则；
如果没有指定字符集和校对规则，使用数据库字符集和校对规则作为表的字符集和校对规则。

推荐在创建表的时候明确指定字符集和校对规则，避免受到默认值的影响。要显示表的字符集和校对规则，可以使用 show create table 命令查看：

mysql> show create table z1 \G;

*************************** 1. row ***************************

Table: z1

Create Table: CREATE TABLE `z1` (

`id` int(11) default NULL

) ENGINE=MyISAM DEFAULT CHARSET=utf8 COLLATE=utf8_bin

1 row in set (0.00 sec)

列字符集

MySQL 可以定义列级别的字符集和校对规则，主要是为了在特殊的情况下，对同一表的不同字段使用不同的字符集，以达到空间及性能优化的目的。应该说一般遇到这种情况的几率比较小，这只是 MySQL 提供给我们一个灵活设置的手段。

列字符集和校对规则的定义可以在创建表时指定，如果在创建表的时候没有特别指定字符集和校对规则，则默认使用表的字符集和校对规则。

列字符集和校对规则可以通过 alter table 命令进行修改，但与修改数据库和表字符集不同， mysql 会自动将该列已有的数据转换成新的字符集，如果新旧字符集不兼容，将造成数据损失！

客户字符集，连接字符集及结果字符集

以上提到的几种字符集和校对规则，都是 mysql 数据库内部的字符集和校对规则。在实际的应用访问 MySQL 数据库的交互过程中，使用什么字符集呢？

实际上，对于客户端和服务器的交互操作， MylSQL 提供了 3 个不同的参数：客户字符集（ character_set_client ）、连接字符集（ character_set_connection ）和结果字符集（ character_set_results ），分别用来指定客户端使用的字符集，客户端与 MySQL Server 通讯连接过程中使用的字符集，以及返回结果的字符集。客户端与 MySQL 的交互过程大致是：

MySQL 客户接口程序通过 character_set_client 确定客户端 sql 语句使用的字符集。
MySQL 将客户端发送的 sql 语句字符集由 character_set_client 转换成 character_set_connection 指定的字符集（带有字符集引导符的除外）。
MySQL 将处理结果，如查询结果集，转换成 character_set_results 指定的字符集，并返回给客户端。

通常情况下，这 3 个字符集应该是相同的。如果这三个字符集设置不同，不仅会增加字符集转换的开销，而且可能因设置不当，导致字符集转换时因丢失数据而产生错误。

这三个参数可以单独设置，但一般不这么做，更多的是通过以下命令来一次设置上述三个参数：

SET NAMES ***;

使用这个方法修改连接的字符集和校对规则，需要应用每次连接数据库后都执行这个命令。

另外，也可以在客户程序配置文件 my.cnf 中设置这三个字符集，例如：

[mysql]

default-character-set=gbk

这样服务器启动后，所有连接默认就是使用 GBK 字符集进行连接的，而不需要在程序中再执行 set names 命令。

最后，字符串常量如果没有明确的字符集引导符，其字符集也是由 character_set_connection 参数来决定的。可以通过“ [_charset_name]'string' [COLLATE collation_name] ”命令强制字符串的字符集和校对规则。例如：

select _gbk ' 字符集 ';

select _latin1 ' 字符集 ';

当然，一般情况下，基本不需要显式指定字符串的字符集

字符集相关的 MySQL 函数和操作符

许多 MySQL 函数都和字符集相关，如 MySQL 函数返回的字符串也都有字符集属性，该属性是从其输入参数或 character_set_connection 参数继承来的。下面几个函数和操作符，更是与字符集密切相关的。

Binary

Binary 是一个操作符，它的作用是将紧跟其后的字符串强制转换成“二进制字符串”。 Binary 字符串没有字符集属性，因此比较是大小写敏感的，例如：

默认情况下，字符串比较是忽略大小写的

Mysql> select ‘test’=’TEST’;

-> 1

如果加上 binary 操作符，比较就变成了大小写敏感的了：

Mysql> select binary ‘test’=’TEST’;

-> 0

必要要时，使用 binary 操作做大小写敏感的比较，非常方便。
Convert(expr using transcoding_name)

使用带 using 的 convert 函数，我们可以对数据在不同字符集间进行转换，例如：

mysql> select charset(' 测试 ');

+-----------------+

| charset(' 测试 ') |

+-----------------+

| gbk |

+-----------------+

1 row in set (0.00 sec)

mysql> select charset(convert(' 测试 ' using utf8));

+-------------------------------------+

| charset(convert(' 测试 ' using utf8)) |

+-------------------------------------+

| utf8 |

+-------------------------------------+

1 row in set (0.01 sec)
Charset ()

Charset() 函数返回其输入参数的字符集。例如：

mysql> select charset(' 测试 ');

+-----------------+

| charset(' 测试 ') |

+-----------------+

| gbk |

+-----------------+

1 row in set (0.01 sec)
Collation()

Collation() 函数返回其输入参数的校对规则。例如：

mysql> select collation(' 测试 ');

+-------------------+

| collation(' 测试 ') |

+-------------------+

| gbk_chinese_ci |

+-------------------+

1 row in set (0.00 sec)
字符串长度函数： length() 和 character_length()

MySQL 有两个返回字符串长度的函数：一个是 length() ，其返回的字符串长度是以字节（ byte ）为单位的；另一个是 character_length() ，其返回的字符串长度是以字符个数为单位的。这两个函数是有区别的：对于多字节字符集，如 GBK ， length （）每一个汉字的长度是 2 ，因为 GBK 的编码是 2 字节的；而 character_length() 函数每个汉字的长度是 1 ，因为 1 个汉字就是 1 个符号。例如：

mysql> select length(' 测试 ');

+----------------+

| length(' 测试 ') |

+----------------+

| 4 |

+----------------+

1 row in set (0.00 sec)

mysql> select character_length(' 测试 ');

+--------------------------+

| character_length(' 测试 ') |

+--------------------------+

| 2 |

+--------------------------+

1 row in set (0.00 sec)

修改字符集引起的问题

前面提到， MySQL 的数据库、表、表中的每个列都有各自的字符集属性，分别可以在创建数据库、创建表和定义列时指定。在创建以后，可以随时进行修改。但需要注意三点：一是修改数据库的字符集，只是改变了在该数据库创建新表时使用的默认字符集，并不会对数据库中已有表的定义和数据产生任何影响，也就是说现存表的字符集不会发生任何改变；二是修改表的字符集，只是改变了在该表增加新列时使用的默认字符集，并不会对表中已有列的定义和数据产生任何影响，也就是说表中已有列的字符集不会发生任何改变；最后，修改列字符集，不仅会修改该列的字符集定义，而且会将该列的现有数据转换成目标字符集！最后一点要特别注意，因为它需要进行字符集转换，在数据量很大时，会引起性能问题，而且，在目标字符集不是原字符集超集的情况下，贸然进行修改，还会导致数据损失！例如下面的例子中，需要将 name 列的字符集由 UTF8 改成 GB2312 ，但由于没有确认该列中的数据是否全部可以进行无损转换，就导致了部分汉字信息丢失！

表中原来的数据：

mysql> select name,charset(name) from test;

+--------+---------------+

| name | charset(name) |

+--------+---------------+

| 香水 | utf8 |

| 粉底 | utf8 |

| 啫喱氺 | utf8 |

+--------+---------------+

3 rows in set (0.00 sec)

修改列字符集：

alter table test modify name varchar(40) charset gb2312;

Query OK, 3 rows affected, 1 warning (0.01 sec)

Records: 3 Duplicates: 0 Warnings: 1

修改列字符集后，部分汉字数据损失：

mysql> select name,charset(name) from test;

+------+---------------+

| name | charset(name) |

+------+---------------+

| 香水 | gb2312 |

| 粉底 | gb2312 |

| ? 喱 ? | gb2312 |

+------+---------------+

3 rows in set (0.00 sec)

数据迁移中的字符集问题

在数据迁移过程中，经常会出现各种字符集问题，特别是在不同种类数据库间迁移数据，更是如此。数据迁移过程中出现的字符集问题，大致有两类：一是目标字符集与原数据库的字符集不兼容，造成数据迁移后，部分数据变成了 ”?” （其实是数据库无法完成字符集转换，只好用“？”来代替）；二是因目标表的列宽不够，导致数据截断，造成部分数据损失。

校对规则问题

一般情况下，只要使用字符集的默认校对规则就可以了，所以大家很少关注校对规则。但校对规则对字符比较和排序都有影响。看下面的例子：

有一个表 tes t ，其中的一个字段 value 是 text 类型：

mysql> desc test;

+-------+---------+------+-----+---------+----------------+

+-------+---------+------+-----+---------+----------------+

| id | int(11) | NO | PRI | NULL | auto_increment |

+-------+---------+------+-----+---------+----------------+

应用程序中经常要根据 value 的值来查询其 ID ：

mysql> select id from test where value like 'cambridge%';

+----+

| id |

+----+

| 3 |

+----+

1 row in set (0.00 sec)

在一次数据迁移的过程中，因为各种原因误将其类型变成了 blob ：

mysql> desc test;

+-------+---------+------+-----+---------+----------------+

+-------+---------+------+-----+---------+----------------+

| id | int(11) | NO | PRI | NULL | auto_increment |

+-------+---------+------+-----+---------+----------------+

数据导入的过程中一切正常，没有出现任何问题，但系统上线后不久，就接到反馈说：许多以前存在的数据，现在却查不到了！例如：

mysql> select id from test where value like 'cambridge%';

Empty set (0.00 sec)

这是一个真实的案例，只是本文将问题简化了而已。为了查找问题的原因，当时花了很长时间，最后才找到问题症结。原因是类型变成 blob 后，校对规则发生了变化，原来的 text 类型有字符集，比较中使用其字符集默认的校对规则，该校对规则是不区分大小写的，无论用户输入大写或是小写字符串查询都可以。但类型改成 blob 后，字符串比较就变成了二进制串的比较，是大小写敏感的，如果用户输入的查询条件与数据的大小写不匹配，就无法查出数据！