技术开发 频道

Oracle实例解析:编码与字符集

Snowtoday  【IT168技术】字符集与编码常识

  字符集:人们根据需要把某些字符收集到一处,并赋以名称,于是便有了某某字符集。

  编码:当前面收集的工作完成以后,为了让只认识数字的“愚蠢”的计算机也能够存储字符,人们不得不为集合里的每一个字符分配”身份证号码”,这就是编码,从此,终于可以以存储编码的方式在计算机中存储字符了。

  在字符集与编码世界的漫漫历史长河里(伪),出现过若干个让计算机工作者们如雷贯耳的名字,这些名字,有些已经成了浮云飘散了,有些还在我们的代码中折腾。

  ASCII:

  ASCII字符集:包含大小写英文、阿拉伯数字、标点,以及一些不可见的控制符共128个。

  ASCII编码:使用7位表示一个字符。编码范围是[0-127](即Hex[00-7F]),其中[0-31](Hex[00-1F])部分以及127(Hex7F)是控制符,其余的都是些可见字符。

  GB2312:

  GB2312字符集:ASCII字符集+7000左右汉字字符。

  GB2312编码:兼容ASCII编码。对字节进行判断,如值<=127,则意义等同于ASCII编码;如值>127,则它需要跟其后的另一个字节合并表示一个字符。其理论汉字编码空间为128X256,超过3万个字符。

  GBK:

  GBK字符集:GB2312字符集+20000左右汉字字符。

  GBK编码:兼容GB2312编码。利用了GB2312编码闲置的编码空间。

  GB18030:

  GB18030字符集:GBK字符集+若干汉字+若干少数民族字符,为目前国内最新的字符集。

  GB18030编码:兼容GBK编码。继续利用GBK编码闲置的编码空间,对于超出编码空间的则采用4个字节表示。

  BIG5:

  BIG5字符集:ASCII字符集+13000左右汉字(繁体)。

  BIG编码:兼容ASCII编码。其编码模式类似于GB2312.

  UNICODE:(UNICODE一词在日常使用中显得宽泛、混乱,在不同的语境中可以是以下意思之一。)

  UNICODE标准:由一些组织提出的一套标准,对人类文字的显示、编码等进行了一系列的规定。

  UNICODE字符集:目前最新版的UNICODE字符集中已经包含各种语言的超过10万的字符。

  UNICODE编码:(狭义的UNICODE编码可能指UCS-2,也可能指UTF-16;广义的UNICODE编码可以指包括以下四种在内的若干种对UNICODE标准的编码实现。)

  ①UTF-32编码:固定使用4个字节来表示一个字符,存在空间利用效率的问题。

  ② UTF-16编码:对相对常用的60000余个字符使用两个字节进行编码,其余的(即’补充字符supplementary characters’)使用4字节。

  ③UCS-2编码:是对UNICODE早期版本的实现,它与UTF-16的唯一区别是它不包括’补充字符’,所以它对字符的编码只使用两个字节。目前此编码模式已过时。

  ④ UTF-8编码:兼容ASCII编码;拉丁文、希腊文等使用两个字节;包括汉字在内的其它常用字符使用三个字节;剩下的极少使用的字符使用四个字节。

  ISO8859-1:(使用Oracle的同志们可能见过这个WE8ISO89859P1,没错,就是它。)

  ISO8859-1字符集:ASCII字符集+若干西欧字符,例如字母Â、Ë。

  ISO8859-1编码:使用8位表示一个字符,同时移除了原ASCII编码中的控制符(即[0-31],及127)。

  Code page:(可以把”code page”认为是”编码”的近义词。至于为什么有这个名称?历史遗留问题。)

  ANSI code pages:你一定见过ANSI,想想另存文本文件时。ANSI code pages实际上是一系列的编码集合,根据操作系统区域设置而激活其中一种作为默认ANSI编码。例如公司电脑(英文系统)上的ANSI code page可能是1252,而家里的中文系统则可能是936。所以在家里可以用ANSI存储一个包含中文的文本文件,在公司则不行。可以在注册表键:HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\NLS\CodePage\ACP中查看到当前使用的ANSI code page。 C#可以通过Encoding.Default查看。

  OEM code pages: OEM code pages是给控制台应用程序(如SQLPLUS)使用的。除CJK环境(Chinese-Japanese-Korean)外,Windows使用不同的ANSI code page和OEM code page。例如,公司英文系统上使用的是437。可以使用CHCP命令查看当前使用的OEM code page, C#可以通过Console.OutputEncoding查看。

  Code page 1252:

  cp1252字符集:ASCII字符集+若干西欧字符+若干特殊符号,比如™、‰.

  cp1252编码:使用8位表示一个字符。编码范围是[0-255](即Hex[00-FF]),[0-127]部分与ASCII相同,新增的大部分是西欧的字符,例如一些带上标的字母Â、Ë,以及像这样一类特殊符号)

  PS1:现实中两台PC上的code page信息

  PC 1:英文版Windows XP,ANSI code page=1252, OEM code page=437

  PC 2:中文版Windows 7,ANSI code page=936, OEM code page=936

  PS2:cp1252与cp437编码表下载请点击这里,早期控制台应用程序常常需要画一些粗糙的表格等等图形,所以可以在437中看到不少不同的横线竖线这一类的特殊符号。

  PS3:CP1252、ISO8859-1、ASCII比较,就实际使用的编码范围来说:CP1252>ISO8859-1>ASCII。ASCII是[0-127],CP1252是[0-255],ISO8859-1则移除了cp1252中[0-31]及127这些不可见的控制符,同进移除了[128-159](即Hex[80-9F])中的特殊符号。

  Oracle中的编码与字符集

  (1)为什么需要两个字符集?

  Oracle中有两个字符集:数据库字符集和国家字符集。

  为什么要有两个字符集?如果我知道只需要英文,设置数据库字符集=US7ASCII,如果我知道只需要西欧字符,设置数据库字符集=WE8MSWIN1252或者WE8ISO89859P1,或者干脆就用AL32UTF8。你看,我只需要设定“数据库字符集”,那么“国家字符集”有什么必要呢?

  其实,考虑到历史遗留问题以及数据库创建者们无法避免的“短视”,很多现有数据库都无法支持UNICODE字符集,例如要在现有的US7ASCII数据库字符集的数据库中存储中文,这个时候“国家字符集”+NVARCHAR2这样的组合就能救你一命了。对于数据类型为NVARCHAR2(以及NCHAR, NCLOB)的字段,它使用是国家字符集,与数据库字符集的设置无关。自9i以后,国家字符集可选的只有AL16UTF16与AL32UTF8,UTF-16与UTF-8都是UNICODE编码标准的实现,因些可以表示世界上几乎所有的文字。

  当然,如果数据库字符集本身就使了UNICODE字符集,就没有必要使用NVARCHAR2, NCHAR, NCLOB这些类型了。

  (2)字符集名称的玄机

  Oracle对字符集的命名实际上有一定的规则可寻,例如:

  ①AL32UTF8

  【AL】支持所有语言(All Language)。

  【32】每字符最多占用32位(4字节)。

  【UTF8】编码为UTF-8。

  ②WE8MSWIN1252

  【WE】支持西欧语言(Western Europe)。

  【8】每字符需要占用8位(单字节)。

  【MSWIN1252】编码为CP1252。

  ③US7ASCII

  【US】表示美国(United States)。

  【7】每字符需要占用7位。

  【ASCII】编码为ASCII。

  其它如ZHS16GBK,ZHT16BIG5,US8PC437(编码为OEM cp437),都可以类推。

  (3)例子很重要

  ①准备两个数据库

  上帝说要有例子,于是有了两个相同版本的数据库,A跟B:

SELECT parameter, VALUE
FROM nls_database_parameters
WHERE parameter IN ('NLS_CHARACTERSET', 'NLS_NCHAR_CHARACTERSET')

--数据库A:
PARAMETER                      VALUE
------------------------------ -------------------
NLS_CHARACTERSET               WE8MSWIN1252
NLS_NCHAR_CHARACTERSET         AL16UTF16

--数据库B:
PARAMETER                      VALUE
------------------------------ -----------------
NLS_CHARACTERSET               AL32UTF8
NLS_NCHAR_CHARACTERSET         AL16UTF16

--在A和B中分别创建一张表。
CREATE TABLE charset_test
(id
NUMBER(4) PRIMARY KEY,
vc
VARCHAR2(20),
nvc NVARCHAR2(
20));

   ②工具很重要

  在测试之前,为避免工具本身的特性给人造成的困惑,介绍一下几个客户端工具对UNICODE 的支持情况:

  SQLPLUS:不支持UNICODE字符集。是否支持中文取决于当前的OEM code page,如果是cp437,无论输入还是显示中文都是不可能的。但如果是cp936,则可以支持中文输入输出。

  PLSQL Developer:7.0版本的查询结果窗口支持UNICODE字符集,但是编辑窗口(即输入SQL语句的窗口)不支持。8.0版完全支持UNICODE。

  Oracle SQL Developer:查询结果窗口与编辑窗口都支持UNICODE字符集。

  ③出现乱码了

  这里使用Oracle SQL Developer,分别在A、B中插入并查询中文:

INSERT INTO charset_test VALUES(1,'','');
COMMIT;

--A库
SELECT * FROM charset_test;
1     ¿     ¿

--B库
SELECT * FROM charset_test;
1     中    中

  暂时先跳过VARCHAR2字段,先来关注NVARCHAR2字段,为什么在A库不能正常显示?无非有这几种可能:

  客户端操作系统不支持显示中文。

  Oracle客户端工具(这里是Oracle SQL Developer)不支持显示中文。

  Oracle客户端有相关设置(比如NLS_LANG)不正确。

  存储在数据库中的数据已经是不正确的数据。

  第一点,客户端操作系统是否支持中文对运行于其上的应用程序有影响吗?应该有两种情况,一种是应用程序依赖于操作系统的中文支持;另一种是有一些软件自己带有语言包及字体(比如Adobe的一些产品,.NET程序在编译的时候也可以选择将字体文件打包进去),那么它应该不依赖于操作系统。

  我猜测Oracle SQL Developer应该是属于前一种,同时我检查了操作系统,确定其已经支持东亚语言(Control panel—Regional and language options—Language tab—Supplemental languages support—Install files for East Asian languages,如果checkbox已经选中,说明已经安装东亚语言包)。

  第二点,无论查询结果窗口还是编辑窗口都支持UNICODE字符集。

  第三点,由于不依赖于Oracle client的OCI,客户端注册表中的NLS_LANG设置对像Oracle SQL Developer没有影响。

  第四点,我们借助DUMP()函数来确定NVARCHAR2字段中具体的内容。

  DUMP()的语法:DUMP([,[,[,]]])

  其中的format参数:如果是8则表示结果使用8进制表示,如果是16则表示16进制,如果是0到16间的其它数则都使用10进制。如果是大于16的数,则分几种情况:如果是可见的ASCII字符则直接打印此字符,如果是控制字符则打印成“^x”,其它情况则把结果按16进制显示。为format加上1000则表示除了输出结果之外,还会附带输出所使用的字符集信息。

  这里我们使用:

SELECT DUMP(nvc,1016) FROM charset_test;
--A库
Typ=1 Len=2 CharacterSet=AL16UTF16: 0,bf

--B库
Typ=1 Len=2 CharacterSet=AL16UTF16: 4e,2d

   我们知道“中”字的UTF-16编码是4E2D,显然在A库中存储的数据已经是不对的,00BF实际上就是一个倒的问号字符,其存储在数据库中的原始数据已经不对了,更何况是客户端的显示。

  ④找不同

  那么为什么两个库会不一样呢?嫌疑很快就落在了数据库字符集上,因为A和B的区别只在数据库字符集上,一个是WE8MSWIN1252,另一个是AL32UTF8。经过测试,结论是:

  Oracle SQL Developer忽略NLS_LANG,字符串直接以照数据库字符集进行编码后由客户端传输到服务器端。由于A库数据库字符集不支持汉字,很不幸地被替换成了默认的BF并最终被存储到数据库中,永远地错下去。B库则相反,中文在传输的过程中“存活”下来并成功到达服务器端,最终自动转换成NVARCHAR2所用的编码并存储到库中。

  ⑤如何让NVARCHAR2字段工作

  看起来似乎A库中的NVARCHAR2字段永远也无法正常使用了,并非这样,对于Oracle SQL Developer,通过一些设置,就可以让NVARCHAR2可以正常地插入、查询。

  找到{ORACLE_HOME}\sqldeveloper\sqldeveloper\bin\sqldeveloper.conf(依赖于你的Oracle SQL Developer安装路径),添加一行配置:

AddVMOption -Doracle.jdbc.convertNcharLiterals=true

  同时在中文字符串前添加“N”前缀:

INSERT INTO charset_test VALUES(2,'',N'');
--NVARCHAR2列中的中文不再是乱码了
SELECT * FROM charset_test WHERE id=2;
2     ¿     中

   这个配置起到的作用是这样的:在INSERT语句从客户端传输到服务器端之前,Oracle SQL Developer检测(实际上是JDBC检测)语句,如果发现“N”前缀,则事先将这部分的字符串按UTF-16进行编码得到16进制串。也就是相当于执行了这个命令:

INSERT INTO charset_test VALUES(2,’中’,UNISTR('\4e2d'));

  C#不需要做特殊的配置来让NVARCHAR2正常工作,只需要在执行INSERT时使用参数并选择正确的参数类型选:

cmd.CommandText = "insert into charset_test values(3,:vc,:nvc)";
OracleParameter p1
= new OracleParameter("vc", OracleDbType.Varchar2);
OracleParameter p2
= new OracleParameter("nvc", OracleDbType.NVarchar2);
p1.Value
= "中";
p2.Value
= "中";
cmd.Parameters.
Add(p1);
cmd.Parameters.
Add(p2);
cmd.ExecuteNonQuery();

  (4)客户端的NLS_LANG设置及编码转换

  前面我说过Oracle SQL Developer忽略客户端NLS_LANG设置,那么对于其它的工具呢?(这里我们主要关注字符集及编码,不讨论NLS_LANG对日期格式、排序方式、数字显示格式等等的影响)

  SQLPLUS,插入与查询都依赖于客户端NLS_LANG设置。通常,客户端NLS_LANG设置要与当前的OEM Codepage一致,比如US8PC437。

  PL/SQL Developer,插入与查询都依赖于客户端NLS_LANG设置。通常,客户端NLS_LANG设置要与数据库字符集一致。

  使用SQLPLUS可以清晰地看到Oracle编码转换的过程:

  ①在Oracle客户端向服务器端提交SQL语句时,Oracle客户端根据NLS_LANG和数据库字符集,对从应用程序接传送过来的字符串编码进行转换处理。如果NLS_LANG与数据库字符集相同,不作转换,否则要转换成数据库字符集并传送到服务器。服务器在接收到字符串编码之后,对于普通的CHAR或VARCHAR2类型,直接存储;对于NCHAR或NVARCHAR2类型,服务器端将其转换为国家字符集再存储。

  ②在查询数据时,服务器端原样返回存储在库中的数据,由客户端根据返回的元数据中的字符集信息与NLS_LANG和NLS_NCHAR的设置进行比较(如果NLS_NCHAR没有设置,则其默认值为NLS_LANG中的字符集设置),如果元数据中的字符集信息与客户端设置一致,不进行转换,否则要进行转换。国家字符集的转换根据NLS_NCHAR设置进行转换。

  这里我也举几个使用SQLPLUS的测试例子,分别在A、B两库执行相同的语句,然后通过网络抓包查看从Oracle client传输到服务器的具体内容。

  例1 客户端NLS_LANG:WE8MSWIN1252

  SQL命令:

insert into charset_test values(1,'æ',null);

  网络抓包(A库,数据库字符集为WE8MSWIN1252):91

  解释:由于应用程序(即SQLPLUS)使用的编码是Codepage437,所以æ的编码是91。当91被传给Oracle client后,Oracle client根据NLS_LANG误判其使用的编码是Codepage1252,又由于NLS_LANG设置与数据库字符集一致,于是Oracle client不进行编码转换,91被直接传给服务器并存储,考虑到数据库字符集是Codepage1252,很显然91是错误的数据(字符[æ]在Codepage1252下的编码是E6,而非91)。

  这个错误导致了一个有趣的现象,那就是在同一个客户端使用SQLPLUS查询居然可以看到正确字符[æ],这是由于SELECT的时候91也被直接返回,并且在Oracle client也不进行编码转换而是直接传给了应用程序,恰巧应用程序根据自己使用的编码可以正确解析91。但是换一个客户端机器,或者换一个客户端工具都可能得到不一样的查询结果。

  网络抓包(B库,数据库字符集为AL32UTF8):E2 80 98

  解释:由于应用程序(即SQLPLUS)使用的编码是Codepage437,所以æ的编码是91。当91被传给Oracle client后,Oracle client根据NLS_LANG误判其使用的编码是Codepage1252,而91在Codepage1252中对应的是字符[‘],根据Codepage1252到数据字符集UTF8的转换,最终转换成了E2 80 98,即UTF8下的[‘]。

  例2 客户端NLS_LANG:US7ASCII

  SQL命令:

insert into charset_test values(1,'æ',null);

  网络抓包(A库):BF

  解释:由于应用程序(即SQLPLUS)使用的编码是Codepage437,所以æ的编码是91。当91被传给Oracle client后,Oracle client根据NLS_LANG误判其使用的编码是ASCII,而91在ASCII中是无效编码,根据ASCII到数据字符集Codepage1252的转换,最终转换成了BF,BF是Codepage1252遇到无效编码时使用的默认替换编码。

  网络抓包(B库): EF BF BD

  解释:由于应用程序(即SQLPLUS)使用的编码是Codepage437,所以æ的编码是91。当91被传给Oracle client后,Oracle client根据NLS_LANG误判其使用的编码是ASCII,而91在ASCII中是无效编码,根据ASCII到数据字符集UTF8的转换,最终转换成了EF BF BD,EF BF BD是UTF8遇到无效编码时使用的默认替换编码。

  例3 客户端NLS_LANG:US8PC437

  SQL命令:

insert into charset_test values(1,'æ',null);

  网络抓包(A库):E6

  解释:E6是字符[æ]的正确的Codepage1252编码,此次由于应用程序(即SQLPLUS)使用的是Codepage437,Oracle client从NLS_LANG获得的编码信息也是Codepage437,于是进行了正确的编码转换。

  网络抓包(B库):C3 A6

  解释:C3 A6是字符[æ]的正确的UTF8编码,此次由于应用程序(即SQLPLUS)使用的是Codepage437,Oracle client从NLS_LANG获得的编码信息也是Codepage437,于是进行了正确的编码转换。

  我觉得,只有SQLPLUS的日子总是那么美好,一切看起来既合理又可解释。当其它工具出现之后,世界就变得一团乱麻了,Oracle SQL Developer完全忽略客户端NLS_LANG设置倒是让事情变得简单,不过PL/SQL Developer则是另一回事,我花了4天时间企图搞明白其中的编码转换过程,最终只证明它就是个不可理喻的玩意儿,唯一目前看起来还正确的结论是:如果要用PL/SQL Developer,只好还是把NLS_LANG设置得跟数据库字符集一致。其它就只能自求多福了。

  (5)NLS_LANG对ODP.NET的影响

  唯一受客户端NLS_LANG影响的是OracleString的GetNonUnicodeBytes()方法,此方法依赖于客户端本地设置的字符集,例如我们把NLS_LANG从AMERICAN_AMERICA.WE8MSWIN1252改成AMERICAN_AMERICA.US7ASCII

  其中230(即HexE6)正是字符‘æ’的编码,而63(即Hex3F)是ASCII中的问号(由于ASCII字符集中没有‘æ’,故用问号代替)。

  (6)关于VARCHAR2, NVARCHAR2的其它问题

  NVARCHAR2(N),其中的N是指字符数,不是字节数。不过其最大长度是以字节为单位,即4000字节。

  VARCHAR2(N),其中的N可能是指字符数,也可能是指字节数。你可以显式地在声明的时候指定,比如VARCHAR2(10 BYTE)或者VARCHAR2(10 CHAR),未显式指明时,则由参数NLS_LENGTH_SEMANTICS决定。需要注意的是你能成功声明VARCHAR2(4000 CHAR)并不能保证你能真的存储4000个字符,如果超过4000字节,该报错Oracle还是会报错。

1
相关文章