下面要写的是一篇非常无聊的东西,充斥了大量各式各样的编码、转换、客户端、服务器端、连接……呃,我自己都不愿意去看它,但想一想,写下来还是有点意义的,原因有四:
1. MySQL 4.1 对多语言的支持有了很大变化 (这导致了问题的出现);
2. 尽管大部分的地方 (包括个人使用和主机提供商),MySQL 3 仍然占主导地位;但 MySQL 4.1 是 MySQL 官方推荐的数据库,已经有主机提供商开始提供并将会越来越多;
3. 许多 PHP 程序以 MySQL 作为默认的数据库管理软件,但它们一般不区分 MySQL 4.1 与 4.1 以下版本的区别,笼统地称“MySQL 3.xx.xx 以上版本”就满足安装需求了;
4. 因为 latin1 在许多地方 (下边会详细描述具体是哪些地方) 作为默认的字符集,成功的蒙蔽了许多 PHP 程序的开发者和用户,掩盖了在中文等语言环境下会出现的问题;
简单的说,MySQL 自身的变化和使用 MySQL 的 PHP 程序对此忽略,导致了问题的出现和复杂化,而由于大部分用户使用的是英文,使这种问题不被重视。这里提到的 PHP 程序,主要就 WordPress 而言。
### MySQL 4.1 字符集支持的原理
MySQL 4.1 对于字符集的指定可以细化到一台机器上安装的 MySQL,其中的一个数据库,其中的一张表,其中的一栏,应该用什么字符集。但是,传统的 Web 程序在创建数据库和数据表时并没有使用那么复杂的配置,它们用的是默认的配置,那么,默认的配置从何而来呢?
1. 编译 MySQL 时,指定了一个默认的字符集,这个字符集是 latin1;
2. 安装 MySQL 时,可以在配置文件 (my.ini) 中指定一个默认的的字符集,如果没指定,这个值继承自编译时指定的;
3. 启动 mysqld 时,可以在命令行参数中指定一个默认的的字符集,如果没指定,这个值继承自配置文件中的;
4. 此时 `character_set_server` 被设定为这个默认的字符集;
5. 当创建一个新的数据库时,除非明确指定,这个数据库的字符集被缺省设定为 `character_set_server`;
6. 当选定了一个数据库时,`character_set_database` 被设定为这个数据库默认的字符集;
7. 在这个数据库里创建一张表时,表默认的字符集被设定为 `character_set_database`,也就是这个数据库默认的字符集;
8. 当在表内设置一栏时,除非明确指定,否则此栏缺省的字符集就是表默认的字符集;
9. 这个字符集就是数据库中实际存储数据采用的字符集,mysqldump 出来的内容就是这个字符集下的;
简单的总结一下,如果什么地方都不修改,那么所有的数据库的所有表的所有栏位的都用 latin1 存储,不过我们如果安装 MySQL,一般都会选择多语言支持,也就是说,安装程序会自动在配置文件中把 `default_character_set` 设置为 UTF-8,这保证了缺省情况下,所有的数据库的所有表的所有栏位的都用 UTF-8 存储。
当一个 PHP 程序与 MySQL 建立连接后,这个程序发送给 MySQL 的数据采用的是什么字符集?MySQL 无从得知 (它最多只能猜测),所以 MySQL 4.1 要求客户端必须指定这个字符集,也就是 `character_set_client`,MySQL 的怪异之处在于,得到的这个字符集并不立即转换为存储在数据库中的那个字符集,而是先转换为 `character_set_connection` 变量指定的一个字符集;这个 connection 层究竟有什么用我不大明白,但转换为 `character_set_connection` 的这个字符集之后,还要转换为数据库默认的字符集,也就是说要经过两次转换;当这个数据被输出时,又要由数据库默认的字符集转换为 `character_set_results` 指定的字符集。
### 一个典型的环境
典型的环境以我自己的电脑上安装的 MySQL 4.1 为例,我自己的电脑上安装着 Apache 2,PHP 5 和 WordPress 1.5.1.3,MySQL 配置文件中指定了 `default_character_set` 为 `utf8`。于是问题出现了:
1. WordPress 按照默认情况安装,所以所有的表都用 UTF-8 存储数据;
2. WordPress 默认采用的浏览字符集是 UTF-8 (Options->Reading 中设置),因此所有 WP 页面的 meta 中会说明 charset 是 utf-8;
3. 所以浏览器会以 utf-8 方式显示所有的 WP 页面;这样一来 Write 的所有 Post,和 Comment 都会以 UTF-8 格式从浏览器发送给 Apache,再由 Apache 交给 PHP;
4. 所以 WP 从所有的表单中得到的数据都是 utf-8 编码的;WP 不加转换的直接把这些数据发送给 MySQL;
5. MySQL 默认设置的 `character_set_client` 和 `character_set_connection` 都是 latin1,此时怪异的事情发生了,实际上是 utf-8 格式的数据,被“当作 latin1”转换成……居然还是转换成 latin1,然后再由这个 latin1 转换成 utf-8,这么两次转换,有一部分 utf-8 的字符就丢失了,变成 ??,最后输出的时候 `character_set_results` 默认是 latin1,也就输出为奇怪的东西了。
最神奇的还不是这个,如果 WordPress 中设置以 GB2312 格式阅读,那么 WP 发送给 MySQL 的 GB2312 编码的数据,被“当作 latin1”转换后,存进数据库的是一种奇怪的格式 (真的是奇怪的格式,mysqldump 出来就能发现,无论当作 utf-8 还是当作 gb2312 来读都是乱码),但如果这种格式以 latin1 输出出来,居然又能变回 GB2312!
这会导致什么现象呢?WP 如果使用 MySQL 4.1 数据库,把编码改用 GB2312 就正常了,可惜,这种正常只是貌似正常。
### 如何解决问题
如果你已经不耐烦了 (几乎是肯定的),google 一下,会发现绝大部分的解答是,query 之前先执行一下:`SET NAMES ‘utf8’`,没错,这是解决方案,但本文的目的是说明,这为什么是解决方案。
要保证结果正确,必须保证数据表采用的格式是正确的,也就是说,至少能够存放所有的汉字,那么我们只有两种选择,gbk 或者 utf-8,下面讨论 utf-8 的情况。
因为配置文件设置的 `default_character_set` 是 utf8,数据表默认采用的就是 utf-8 建立的。这也应该是所有采用 MySQL 4.1 的主机提供商应该采用的配置。所以我们要保证的只是客户端与 MySQL 交互之间指定编码的正确。
这只有两种可能,客户端以 gb2312 格式发送数据,或者以 utf-8 格式发送数据。
如果以 gb2312 格式发送:
SET character_set_client=’gb2312′
SET character_set_connection=’utf8′ 或者
SET character_set_connection=’gb2312′
都是可以的,都能够保证数据在编码转换中不出现丢失,也就是保证存储入数据库的是正确的内容。
怎么保证取出的是正确的内容呢?考虑到绝大部分客户端 (包括 WP),发送数据的编码也就是它所希望收到数据的编码,所以:
SET character_set_results=’gb2312′
可以保证取出给浏览器显示的格式就是 gb2312。
如果是第二种情况,客户端以 utf-8 格式发送 (WP 的默认情况),可以采用下述配置:
SET character_set_client=’utf8′
SET character_set_connection=’utf8′
SET character_set_results=’utf8’
这个配置就等价于 `SET NAMES ‘utf8’`。
### WP 应该作什么修改
还是那句话,客户端要发给数据库什么编码的数据,数据库是不可能确切知道的,只能让客户端自己说明白,所以,WP 是必须发送正确的 `SET…` 给 MySQL 的。怎么发送最合适呢?台湾的 pLog 同仁给出了一些建议:
1. 首先,测试服务器是否 >= 4.1,编译时是否加入了 UTF-8 支持;是则继续
2. 然后测试数据库以什么格式存储 (`$dbEncoding`);
3. `SET NAMES $dbEncoding`
对于第二点,WP 的情况是不同的,按照上面的典型配置,只要用 WP,肯定数据库是用 UTF-8 存储的,所以要根据用户设置的以 GB2312 还是 UTF-8 浏览来判断 (`bloginfo(‘charset’)`),但这个值是要连接数据库以后才能得到的,所以效率最高的方式是连接数据库之后,根据这个配置设置一次 `SET NAMES`,而不必每次查询之前都设置一遍。
我的修改方式是这样的,在 `wp_includes/wp-db.php` 中增加:
function set_charset($charset)
{
// check mysql version first.
$serverVersion = mysql_get_server_info($this->dbh);
$version = explode(‘.’, $serverVersion);
if ($version[0] < 4) return;
// check if utf8 support was compiled in
$result = mysql_query("SHOW CHARACTER SET like 'utf8'",
$this->dbh);
if (mysql_num_rows($result) < = 0) return;
if ($charset == 'utf-8' || $charset == 'UTF-8')
$charset = 'utf8';
@mysql_query("SET NAMES '$charset'", $this->dbh);
}
在 `wp-settings.php` 的 `require (ABSPATH . WPINC . ‘/vars.php’);` 后增加:
$wpdb->set_charset(get_bloginfo(‘charset’));
长知识了!
好文章!
五星级
看了你的文章,我終於搞懂了mysql 4.1到底是如何處理資料編碼的問題了。
非常感謝你的分享。
好文章,收藏进自己的Blog了。另外,怎样查询自己的mysql当前的字符集?
转了一下,不介意吧?
http://cube316.net/blog/?p=4
看MySQL的官方手册,里面关于字符集的介绍比较全面,另外,可以通过
创建连接时指定
useUnicode true
characterEncoding UTF-8
characterSetResults UTF-8
这些选项,配合数据库默认的字符集实现支持中文。
因为字符从浏览器发送时为编码后的普通iso-8859-1文本。
经过PHP转换为gb2312或utf-8后再发送到数据库时如果再转换编码,
带来的性能浪费可想而知。
MySQL 本身就提供了编码转换的功能,不过还是尽量不作转换的好。
理解的深刻,讲解的透彻,是我在网上找到的最好的这方面文章。谢谢
这片文章太好了, 谢谢!!!
非常好的文章,谢谢
相当清楚。也适用于Perl中UTF-8编码。
好文章,非常有用。看来,现有的数据库改为utf8必须手工编程导出。
好文章,收录了。
非常详细
不过现在没耐心看完它。
谢谢先。
我先尝试下以自己的方式能否解决问题。
好文章,谢了!
我对数据库不懂看不明白,有什么简单的明了的操作方法吗?
lavender:
在提交第一次查询前先提交以下语句:
set names ‘utf8’
不错,介绍的挺详细,不过对新手来说,还是有点深奥,要是把操作写的更详细点就好了。
好文章,偷偷的转贴了一下。
blog.bcchinese.net/duckweed
请楼主帮忙,我在linux下配置的环境,向你说的那样SET NAMES ‘utf8’ 当时查看是对的,都变了,但是退出MYSQL重新在进去后,又变回去了!这个问题怎么办啊?请多指教!
ocean: 你可以在 my.cnf 里设置 default-character-set=utf8
自己的数据库都乱码 嘿嘿
9DFF.COM
写得不错,很好!