字符集、编码以及Oracle的那些事

mjtvpkzuxf

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：
ü 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。
ü 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:
ü GB2312字符集：ASCII字符集+7000左右汉字字符。
ü 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：
ü GBK字符集：GB2312字符集+20000左右汉字字符。
ü GBK编码：兼容GB2312编码。利用了GB2312编码闲置的编码空间。
GB18030:
ü 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。
ü 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：
ü BIG5字符集：ASCII字符集+13000左右汉字（繁体）。
ü 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。）
ü 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。
ü 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。
ü 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。）
1.         UTF-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。
3.         UCS-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。）
ü ISO8859-1字符集：ASCII字符集+若干西欧字符，例如字母Â、Ë。
ü 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。）
ü 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。
ü 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：
ü cp1252字符集：ASCII字符集+若干西欧字符+若干特殊符号，比如™、‰.
ü 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编码表下载请猛击这里，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。
 
　　
第二部分 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：
1）数据库字符集
2）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：
AL32UTF8
【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。
WE8MSWIN1252
【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。
US7ASCII
【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
3.1.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：
3.2.工具很重要
View Code 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));


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


3.3.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：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：
View Code INSERT INTO charset_test VALUES(1,'中','中');
COMMIT;

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

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



 
ü 客户端操作系统不支持显示中文。
ü Oracle客户端工具（这里是Oracle SQL Developer）不支持显示中文。
ü Oracle客户端有相关设置（比如NLS_LANG）不正确。
ü 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(<value>[,<format>[,<offset>[,<length>]]])
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：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。

View Code 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



 

3.4.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。


3.5.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：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：
View Code INSERT INTO charset_test VALUES(2,'中',N'中');
--NVARCHAR2列中的中文不再是乱码了
SELECT * FROM charset_test WHERE id=2;
2     ¿     中



 
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：
View Code 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）
ü 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。
ü 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
View Code cmd.CommandText = "select * from charset_test where id=6";
OracleDataReader odr = cmd.ExecuteReader();
while (odr.Read())
{
    OracleString c1 = odr.GetOracleString(1);//varchar2 field, value ‘æ’
    OracleString c2 = odr.GetOracleString(2);//nvarchar2 field, value ‘æ’
    byte[] bs1 = c1.GetNonUnicodeBytes();//230(using WE8MSWIN1252);63(using US7ASCII)
    byte[] bs3 = c2.GetNonUnicodeBytes();//230(using WE8MSWIN1252);63(using US7ASCII)
}



唯一受客户端
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。