mysql替换字段中的部分字符-10 分钟学会理解和解决 MySQL 乱码问题的方法

更多精彩第一时间直达

vim中替换一个字符左右符号_mysql替换字段中的部分字符_mysql部分字段更新锁

本文将详细介绍 MySQL 乱码的成因和具体的解决方案。在阅读本文之前，强烈建议对字符集编码概念还比较模糊的同学阅读下博主之前对相关概念的一篇科普：十分钟搞清字符集和字符编码

MySQL 出现乱码的原因

要了解为什么会出现乱码mysql替换字段中的部分字符，我们就先要理解：从客户端发起请求，到 MySQL 存储数据，再到下次从表取回客户端的过程中，哪些环节会有编码 / 解码的行为。为了更好的解释这个过程，博主制作了两张流程图，分别对应存入和取出两个阶段。

存入 MySQL 经历的编码转换过程

vim中替换一个字符左右符号_mysql替换字段中的部分字符_mysql部分字段更新锁

上图中有 3 次编码 / 解码的过程（红色箭头）。三个红色箭头分别对应：客户端编码，MySQL Server 解码，Client 编码向表编码的转换。其中 Terminal 可以是一个 Bash，一个 web 页面又或者是一个 APP。本文中我们假定 Bash 是我们的 Terminal，即用户端的输入和展示界面。图中每一个框格对应的行为如下：

1.在 terminal 中使用输入法输入

2.terminal 根据字符编码转换成二进制流

3.二进制流通过 MySQL 客户端传输到 MySQL Server

4.Server 通过 character-set-client 解码

5.判断 character-set-client 和目标表的 charset 是否一致

6.如果不一致则进行一次从 client-charset 到 table-charset 的一次字符编码转换

7.将转换后的字符编码二进制流存入文件中

从 MySQL 表中取出数据经历的编码转换过程

mysql替换字段中的部分字符_mysql部分字段更新锁_vim中替换一个字符左右符号

上图有 3 次编码 / 解码的过程（红色箭头）。上图中三个红色箭头分别对应：客户端解码展示，MySQL Server 根据 character-set-client 编码，表编码向 character-set-client 编码的转换。

1.从文件读出二进制数据流

2.用表字符集编码进行解码

3.将数据转换为 character-set-client 的编码

4.使用 character-set-client 编码为二进制流

5.Server 通过网络传输到远端 client

6.client 通过 bash 配置的字符编码展示查询结果

造成 MySQL 乱码的原因

1. 存入和取出时对应环节的编码不一致

这个会造成乱码是显而易见的。我们把存入阶段的三次编解码使用的字符集编号为 C1,C2,C3（图一从左到右）；取出时的三个字符集依次编号为 C1’,C2’,C3’（从左到右）。那么存入的时候 bash C1 用的是 UTF-8 编码，取出的时候, C1’我们却使用了 windows 终端（默认是 GBK 编码），那么结果几乎一定是乱码。又或者存入 MySQL 的时候 set names utf8(C2)，而取出的时候却使用了 set names gbk(C2′)，那么结果也必然是乱码

2. 单个流程中三步的编码不一致

即上面任意一幅图中的同方向的三步中，只要两步或者两部以上的编码有不一致就有可能出现编解码错误。如果差异的两个字符集之间无法进行无损编码转换（下文会详细介绍），那么就一定会出现乱码。例如：我们的 shell 是 UTF8 编码，MySQL 的 character-set-client 配置成了 GBK，而表结构却又是 charset=utf8，那么毫无疑问的一定会出现乱码。

这里我们就简单演示下这种情况：

vim中替换一个字符左右符号_mysql部分字段更新锁_mysql替换字段中的部分字符

关于 MySQL 的编 / 解码

既然系统之间是按照二进制流进行传输的，那直接把这串二进制流直接存入表文件就好啦。为什么在存储之前还要进行两次编解码的操作呢？

Client to Server 的编解码的原因是 MySQL 需要对传来的二进制流做语法和词法解析。如果不做编码解析和校验，我们甚至没法知道传来的一串二进制流是 insert 还是 update。

File to Engine 的编解码是为知道二进制流内的分词情况。举个简单的例子：我们想要从表里取出某个字段的前两个字符，执行了一句形如 select left(col,2) from table 的语句，存储引擎从文件读入该 column 的值是 E4B8ADE69687。那么这个时候如果我们按照 GBK 把这个值分割成 E4B8,ADE6,9687 三个字，并那么返回客户端的值就应该是 E4B8ADE6；如果按照 UTF8 分割成 E4B8AD,E69687，那么就应该返回 E4B8ADE69687 两个字。可见，如果在从数据文件读入数据后，不进行编解码的话在存储引擎内部是无法进行字符级别的操作的。

关于错进错出

在 MySQL 中最常见的乱码问题的起因就是把错进错出神话。所谓的错进错出就是，客户端 (web 或 shell) 的字符编码和最终表的字符编码格式不同，但是只要保证存和取两次的字符集编码一致就仍然能够获得没有乱码的输出的这种现象。但是，错进错出并不是对于任意两种字符集编码的组合都是有效的。我们假设客户端的编码是 C，MySQL 表的字符集编码是 S。那么为了能够错进错出，需要满足以下两个条件

MySQL 接收请求时，从 C 编码后的二进制流在被 S 解码时能够无损

MySQL 返回数据是，从 S 编码后的二进制流在被 C 解码时能够无损

编码无损转换

那么什么是有损转换，什么是无损转换呢？假设我们要把用编码 A 表示的字符 X，转化为编码 B 的表示形式，而编码 B 的字形集中并没有 X 这个字符，那么此时我们就称这个转换是有损的。那么，为什么会出现两个编码所能表示字符集合的差异呢？如果大家看过博主之前的那篇十分钟搞清字符集和字符编码，或者对字符编码有基础理解的话，就应该知道每个字符集所支持的字符数量是有限的，并且各个字符集涵盖的文字之间存在差异。UTF8 和 GBK 所能表示的字符数量范围如下

GBK 单个字符编码后的取值范围是：8140– FEFE 其中不包括 **7E，总共字符数在 27000 左右

UTF8 单个字符编码后，按照字节数的不同，取值范围如下表：

vim中替换一个字符左右符号_mysql部分字段更新锁_mysql替换字段中的部分字符

由于 UTF-8 编码能表示的字符数量远超 GBK。那么我们很容易就能找到一个从 UTF8 到 GBK 的有损编码转换。我们用字符映射器（见下图）找出了一个明显就不在 GBK 编码表中的字符，尝试存入到 GBK 编码的表中。并再次取出查看有损转换的行为

字符信息具体是：ਅ GURMUKHI LETTER A Unicode: U+0A05, UTF-8: E0 A8 85

mysql部分字段更新锁_mysql替换字段中的部分字符_vim中替换一个字符左右符号

在 MySQL 中存储的具体情况如下：

vim中替换一个字符左右符号_mysql替换字段中的部分字符_mysql部分字段更新锁

出错的部分是在编解码的第 3 步时发生的。具体见下图

mysql部分字段更新锁_vim中替换一个字符左右符号_mysql替换字段中的部分字符

可见 MySQL 内部如果无法找到一个 UTF8 字符所对应的 GBK 字符时，就会转换成一个错误 mark（这里是问号）。而每个字符集在程序实现的时候内部都约定了当出现这种情况时的行为和转换规则。例如：UTF8 中无法找到对应字符时，如果不抛错那么就将该字符替换成�(U+FFFD)

那么是不是任何两种字符集编码之间的转换都是有损的呢？并非这样，转换是否有损取决于以下几点：

1、被转换的字符是否同时在两个字符集中

2、目标字符集是否能够对不支持字符，保留其原有表达形式

关于第一点，刚才已经通过实验来解释过了。这里来解释下造成有损转换的第二个因素。从刚才的例子我们可以看到由于 GBK 在处理自己无法表示的字符时的行为是：用错误标识替代，即 0x3F。而有些字符集（例如 latin1）在遇到自己无法表示的字符时，会保留原字符集的编码数据，并跳过忽略该字符进而处理后面的数据。如果目标字符集具有这样的特性，那么就能够实现这节最开始提到的错进错出的效果。

我们来看下面这个例子

mysql替换字段中的部分字符_mysql部分字段更新锁_vim中替换一个字符左右符号

具体流程图如下。可见在被 MySQL Server 接收到以后实际上已经发生了编码不一致的情况。但是由于 Latin1 字符集对于自己表述范围外的字符不会做任何处理，而是保留原值。这样的行为也使得错进错出成为了可能。

mysql部分字段更新锁_mysql替换字段中的部分字符_vim中替换一个字符左右符号

如何避免乱码

理解了上面的内容，要避免乱码就显得很容易了。只要做到 “三位一体”，即客户端，MySQL character-set-client，table charset 三个字符集完全一致就可以保证一定不会有乱码出现了。而对于已经出现乱码，或者已经遭受有损转码的数据，如何修复相对来说就会有些困难。下一节我们详细介绍具体方法。

如何修复已经编码损坏的数据

在介绍正确方法前，我们先科普一下那些网上流传的所谓的 “正确方法” 可能会造成的严重后果。

错误方法一

无论从语法还是字面意思来看：ALTER TABLE … CHARSET=xxx 无疑是最像包治乱码的良药了！而事实上mysql替换字段中的部分字符，他对于你已经损坏的数据一点帮助也没有，甚至连已经该表已经创建列的默认字符集都无法改变。我们看下面这个例子

mysql部分字段更新锁_mysql替换字段中的部分字符_vim中替换一个字符左右符号

可见该语法紧紧修改了表的默认字符集，即只对以后创建的列的默认字符集产生影响，而对已经存在的列和数据没有变化。

错误方法二

ALTER TABLE … CONVERT TO CHARACTER SET …的相较于方法一来说杀伤力更大，因为从官方文档的解释他的作用就是用于对一个表的数据进行编码转换。下面是文档的一小段摘录：

To change the table default character set and all character columns (CHAR, VARCHAR, TEXT) to a new character set, use a statement like this:

ALTER TABLE tbl_name

CONVERT TO CHARACTER SET charset_name [COLLATE collation_name];

而实际上，这句语法只适用于当前并没有乱码，并且不是通过错进错出的方法保存的表。。而对于已经因为错进错出而产生编码错误的表，则会带来更糟的结果。我们用一个实际例子来解释下，这句 SQL 实际做了什么和他会造成的结果。假设我们有一张编码是 latin1 的表，且之前通过错进错出存入了 UTF-8 的数据，但是因为通过 terminal 仍然能够正常显示。即上文错进错出章节中举例的情况。一段时间使用后我们发现了这个错误，并打算把表的字符集编码改成 UTF-8 并且不影响原有数据的正常显示。这种情况下使用 alter table convert to character set 会有这样的后果：

从这个例子我们可以看出，对于已经错进错出的数据表，这个命令不但没有起到 “拨乱反正” 的效果，还会彻底将数据糟蹋，连数据的二进制编码都改变了。

正确的方法一 Dump & Reload

这个方法比较笨，但也比较好操作和理解。简单的说分为以下三步：

1、通过错进错出的方法，导出到文件

2、用正确的字符集修改新表

3、将之前导出的文件导回到新表中

还是用上面那个例子举例，我们用 UTF-8 将数据 “错进” 到 latin1 编码的表中。现在需要将表编码修改为 UTF-8 可以使用以下命令

shell> mysqldump -u root -p -d –skip-set-charset –default-character-set=utf8 test charset_test_latin1 > data.sql

#确保导出的文件用文本编辑器在 UTF-8 编码下查看没有乱码

shell> mysql -uroot -p -e ‘create table charset_test_latin1 (id int primary key auto_increment, char_col varchar(50)) charset = utf8’ test

shell> mysql -uroot -p–default-character-set=utf8 test < data.sql

正确的方法二 Convert to Binary & Convert Back

这种方法比较取巧，用的是将二进制数据作为中间数据的做法来实现的。由于，MySQL 再将有编码意义的数据流，转换为无编码意义的二进制数据的时候并不做实际的数据转换。而从二进制数据准换为带编码的数据时，又会用目标编码做一次编码转换校验。通过这两个特性就相当于在 MySQL 内部模拟了一次 “错出”，将乱码 “拨乱反正” 了。

还是用上面那个例子举例，我们用 UTF-8 将数据 “错进” 到 latin1 编码的表中。现在需要将表编码修改为 UTF-8 可以使用以下命令

mysql> ALTER TABLE charset_test_latin1 MODIFY COLUMN char_col VARBINARY(50);

mysql> ALTER TABLE charset_test_latin1 MODIFY COLUMN char_col varchar(50) character set utf8;

mysql部分字段更新锁_vim中替换一个字符左右符号_mysql替换字段中的部分字符