Oracle字符集总结归纳

qmya00

使用常用的gbk,utf8以及ascii说明（oracle中对应hs16gbk,al32utf8,us7ascii）。　　其中，ascii为经典的单字节编码，采用7位，只能表示128个常用字符以及计算机控制字符，不能显示中文等字符；gbk为中国大陆标准，16位，简体中文字符集标准；utf8为unicode的一种最常用实现，兼容ascii的字符使用1位，其余字符都采用3位，可以表示任何字符。Utf8其实已经可以称为国际标准字符集编码，应首先考虑使用utf8。需要说明的是，虽然gbk跟utf8都能表示中文字符，但每个字符的编码是不一样的，所以不能认为是兼容的。
　　其实，oracle的字符系统很简单，主要由3部分组成：
　　客户终端字符集，nls_lang环境变量字符集，数据库使用的字符集。其中，客户终端各种各样，比如windows下cmd，unix/linux下terminal/console,甚至如toad等工具也可以视为一个终端。我们使用windows cmd举例说明，cmd使用了gbk编码（好像不能修改）
　　nls_lang环境变量决定了终端与服务器连接时，要不要转换字符集，如果nls_lang和服务器端数据库使用的编码不一样，那就要进行转码；如果设为一样，就不会发生转码。
　　比如一个终端cmd查询一张数据库表，而其nls_lang设为american_america.zhs16gbk，而数据库为american_america.al32utf8,则数据库中的数据传到终端时，首先要进行utf8到gbk的转码。
　　而转码又有两种情况，a.就是一个字符在两中编码里都有，就是具体的码文不一样；b.转码时发现一个字符在另一种编码里没有，则直接用替代字符代替，而这一般就是‘？’字符了。这里要注意的是，我们一般所说的乱码有2种，一种就是b所说的‘？’，而另一种出现的奇奇怪怪的字符就是由于nls_lang设置等转码原因造成的。
　　而数据库使用的字符集就是数据库实际使用的字符集。
　　现举例说明：
　　先创建Oracle数据库utf8使用al32utf8编码，使用cmd(gbk),分以下几种情况：
　　a.    设nls_lang也为zhs16gbk,则insert中文时，服务器发现客户端nls_lang为gbk，则要转换映射。输入“我靠”；因为终端为cmd,所以输入的字符集都是gbk编码的，假设“我靠”的gbk编码为0xaabb,则0xaabb要映射为utf8（假设“我靠”的utf8编码为0xccddee）编码,存入数据库，则数据中保存了utf8编码的“我靠“。然后，再使用cmd进行select查询，数据库发现nls_lang为zhs16gbk,则把”我靠“从utf8码0xccddee转为gbk的0xaabb，然后正常在cmd中显示”我靠“两字。
　　b.    设nls_lang也为al32utf8,则从cmd输入“我靠“时，服务器发现客服端nls_lang为utf8,则它不进行转换，直接存0xaabb进数据库；当select时，因为也不要转换，所以直接发0xaabb给终端，而0xaabb在终端cmd(gbk)里显示为“我靠”,也能正常显示。但要注意的是，这时对服务器来说，存在数据库里的内容其实是不正确的，不是正确的“我靠”的utf8编码；而只是存了个“我靠“的gbk编码。
　　c.    先设nls_lang为utf8,输入完“我靠“后，改nls_lang为gbk，再做select,发现显示为乱码了。这种就是前面说的因为转码问题造成的乱码。因为数据库一开始存的是”我靠“的gbk码0xaabb；然后做select时，因为使用了改为gbk的nls_lang,则数据库要进行转码了，就是要把utf8中的0xaabb转为gbk码，假设utf8中0xaabb表示的是”B??“，那就是要把”B??“转为gbk码，然后在cmd中用gbk显示了”B??“乱码。
　　然后，我们再次创建一个us7ascii码的数据库chr。
　　d. 设nls_lang为american_america.us7ascii，输入“我靠“，然后再select，发现竟然能正常显示中文。这是因为由于数据库编码和nls_lang编码一样，所以不进行转码，直接把”我靠“的gbk码0xaabb输入了数据库。而select时，由于也不要转码，所以又直接把0xaabb传了回来，在cmd(gbk)中就显示了”我靠“。
　　e. 延续d的情况，再设nls_lang为american_america.zhs16gbk,再做select,发现返回NR??，这种情况还是前面所说的转码造成的乱码，因为gbk是兼容ascii的，只是这里还是进行了错误的转码，因为ascii中的0xaabb转码成gbk显示，就是NR??。
　　f. 设nls_lang为american_america.zhs16gbk，输入“我靠“，然后再select，发现返回两个??；这是因为”我靠“的gbk编码要转码到uscii时，因为uscii里没有”我靠“两个字符的编码，所以不兼容，直接用两个?代替；而select时，因为ascii里的？和gbk里的？是兼容的，所以转码后，cmd里也显示两个？。
　　综上所述，可以得出如下规范：
　　1.        数据库字符应该至少使用gbk，最好是utf8字符集，这样至少基本上不会出现全问号乱码的情况，因为不会出现找不到对应字符，而采用？等字符代替的情况。情况f其实就是这样。
　　2.        应该设置nls_lang和终端使用一样的编码，这样数据库也能正确知道终端使用的编码，就能正确得转码，就不大会把错误的编码存进数据库，情况b,c,d,e就是设错了nls_lang才造成了问题。这里面，还有种情况，就是不设nls_lang时，好像oracle默认会把它当作和终端编码一样（需要确认）。
　　3.        尽量使得3个编码都一样，这样就能避免编码转换造成的性能损失。
　　其实，不仅oracle，别的一些数据库，甚至是一些编程工具，如jsp/servlet等都有类似的编码体制，基本上都是终端（如jsp里为编辑器），环境变量（jsp里为pageencoding指令），服务器端编码（jsp为浏览器等）；再比如oracle做imp时，终端编码就为dmp包中的编码（不一定为原数据库编码，因为有可能它在exp时，已经转过码了），环境变量编码还是nls_lang，而服务端就是要实行imp的数据库的编码了。
　　有兴趣的话，大家可以研究下mysql的字符集机制，它本质上还是使用三位一体的编码机制，但划分的更细。
　　From:http://tanrenjie.spaces.live.com/blog/cns!599006622366184E!343.entry