本节书摘来自华章出版社《MySQL DBA修炼之道》一书中的第3章，第3.7节，作者：陈晓勇，更多章节内容可以访问云栖社区“华章计算机”公众号查看

3.7　字符集和国际化支持

3.7.1　什么是字符集

字符集（character set）是一套符号和编码。校对规则（collation）是在字符集内用于比较字符的一套规则，即字符集的排序规则。假设我们有一个字母表使用了4个字母：'A'、'B'、'a'、'b'。现在为每个字母赋予一个数值：'A'=0，'B'= 1，'a'= 2，'b'= 3，字母'A'是一个符号，数字0是'A'的编码，那么这4个字母和它们的编码组合在一起就是一个字符集。我们可以认为字符集是字符的二进制的编码方式，即二进制编码到一套符号的映射。对于字符集，MySQL能够做如下这些事情。使用多种字符集来存储字符串。使用多种校对规则来比较字符串。?在同一台服务器、同一个数据库甚至在同一个表中，使用不同的字符集或校对规则来混合字符串。允许定义任何级别的字符集和校对规则。可使用SHOW CHARACTER SET语句列出可用的字符集。mysql>SHOW CHARACTER SET;可使用SHOW COLLATION语句列出utf8字符集的校对规则。mysql>SHOW COLLATION LIKE 'utf8%';3.7.2　国际化支持因为现存编码不能在多语言电脑环境中使用，而且字符数有局限。所以诞生了Unicode（统一码、万国码、国际码、单一码）。Unicode是计算机科学领域里的一项业界标准。它对世界上大部分的文字系统进行了整理、编码，使得电脑可以用更为简单的方式来呈现和处理文字。一个字符的Unicode编码是确定的，但Unicode的实现方式不同于编码方式。在实际传输过程中，由于不同系统平台的设计不一定都是一致的，且出于节省空间的目的，对Unicode编码的实现方式也有所不同。Unicode的实现方式称为Unicode转换格式（Unicode Transformation Format，UTF）。这其中有一种UTF-8编码，它是一种变长编码，MySQL中经常使用的utf8字符集就是UTF-8 编码。UTF-8编码的思想是不同的Unicode字符采用变长字节序列编码：基本拉丁字母、数字和标点符号使用一个字节。大多数的欧洲和中东手写字母适合两个字节序列。韩语、中文和日本象形文字使用三个字节序列。utf8是MySQL存储Unicode数据的一种可选方法，MySQL还有其他的存储Unicode数据的字符集，这里就不做额外介绍了。

对于utf8，还需要了解这样两个概念：超集、子集。 有字符集A、B。如果B支持的所有字符A都支持，那么字符集A是字符集B的超集。如果A是B的超集，那么字符集B是字符集A的子集。比如，GBK字符集是GB2312字符集的超集，它们又都是ASCII字符集的超集。 3.7.3　字符集设置 字符集设置可以分为两类：一类是创建对象的默认值；另一类是控制server端和client端交互通信的配置。 1.创建对象的默认值 字符集和校对规则有4个级别的默认设置：服务器级、数据库级、表级和连接级。 使用如下语句列出可用的字符集。 mysql> SHOW CHARACTER SET; 列出可用的校对规则可使用如下语句。 mysql> SHOW COLLATION 更低级别的配置会继承更高级别的配置。例如，如果创建一个数据库，不指定字符集，那么它会继承服务器级的默认字符集。 对于生产环境的升级脚本，建议在表级别指定默认的字符集，以避免歧义或继承了错的数据库默认字符集。 2.控制server端和client端交互通信的配置 绝大部分MySQL客户端都不具备同时支持多种字符集的能力，每次都只能使用一种字符集。客户和服务器之间的字符集转换工作是由如下几个MySQL系统变量来控制的。 character_set_server：MySQL Server默认字符集。 character_set_database：数据库默认字符集。 character_set_client：MySQL Server假定客户端发送的查询使用的字符集。 character_set_connection：MySQL Server接收客户端发布的查询后，将其转换为character_set_connection变量指定的字符集。 character_set_result：MySQL Server把结果集和错误信息转换为character_set_result指定的字符集，并发送给客户端。 图3-13说明了字符集的转换过程。 图3-13来自《High Performance MySQL》一书。由图3-13可以知道，当一个客户端和数据库打交道时，客户端、连接、操作系统、数据库、输出结果都有自己的字符集设置，如果字符集不一致，那么就可能需要进行转换，一般情况下，目标字符集应确保是源字符集的超集，以确保转换正常，如果目标字符集不能容纳源字符集的编码或设置错了字符集，那么转换会导致乱码。 以下列举了一些常用的设置字符集的操作。 SET NAMES x 通过MySQL客户端导入数据时，在使用“mysql > source /path/imp_data.sql”命令的过程中有时可能会出现乱码，这时可能需要先运行SET NAMES x语句设置字符集。 SET NAMES x语句与下面这3个语句是等价的。 mysql> SET character_set_client = x; mysql> SET character_set_connection = x; mysql> SET character_set_results = x; 再来看看SET CHARACTER SET x语句，它等同于下面这3条语句。 mysql> SET character_set_client = x; mysql> SET character_set_results = x; mysql> SET collation_connection = @@collation_database; 有些客户端命令支持“--default-character-set”选项，此选项允许用户连接时设置字符集。它等同于以下这3条语句。 mysql> SET character_set_client = x; mysql> SET character_set_connection = x; mysql> SET character_set_results = x; 如果数据库服务器中有很多数据库使用不同的字符集，且有各种不同语系的客户端，很复杂，那么使用init-connect=SET NAMES binary是一种可以考虑的方式。这个指令的目的是让clinet与server交互的时候以as-is 模式（是什么就是什么，不做任何转换）来传送。 索引可用来排序，但如果指定了用其他的非默认排序规则，那么将不能利用索引进行排序，比如在下面的语句中：

EXPLAIN SELECT col_1,col_2   FROM table_name ORDER BY col_2 COLLATE utf8_bin  ```col_2字段使用的是utf8字符集，且其上有索引，默认的utf8字符集的排序规则是utf8_general_ci，而上面的案例指定的是用utf8_bin进行排序，那么EXPLAIN输出可以看到有filesort（文件排序），即没有利用到索引进行排序。同理，如果连接两张表使用的连接列不是一样的字符集，那么也不能利用索引，因为必须先执行转换工作，可用EXPLAIN EXTENDED先进行确认。默认情况下，MySQL的字符集是latin1（ISO_8859_1）。latin1字符集是单字节编码，应用于英文系列，最多能表示的字符范围是0～255（编码范围是0x00～0xFF），其中0x00～0x7F之间和ASCII码完全一致，因此它是向下兼容ASCII的。latin1字符有限，如用来存储中文、日文、韩文、希伯来文等语言时往往会导致乱码，为了避免乱码，支持国际化，个人建议是生产环境都统一使用utf8字符集，除非你有特殊理由。以下是关于在生产环境中使用utf8字符集的一些说明和注意事项。1）为什么生产环境中建议使用utf8字符集？主要是为了维护和开发都方便。大家都统一使用utf8字符集，将一劳永逸地避免各种乱码问题。一个数据库如果存在各种字符集，就会很容易出错，也会大大提高开发的难度。国际化支持也是使用utf8字符集的一个考虑。当然，utf8字符集也有弊端，主要就是空间的消耗。比如，对于CHAR(10)，将需要用到30个字节来存放。对于VARCHAR(10)，则是按照字符串的长度来存储的，虽然不存在过多的磁盘空间消耗，但MySQL内部实现的一些数据结构，如临时表需要分配最大可能的长度，也可能导致内存大大增加。更多的空间还意味着更差的I/O性能。有时，我们可能为了节省空间（如果空间真的是一个需要考虑的因素）而选择其他字符集（如用GBK存储汉字），对于大批量的机器，特定的服务选择特定的字符集，这种情况下所节省的空间也是很可观的，但对于一般的中小型公司，建议统一使用utf8，一劳永逸地解决乱码问题是更明智的选择。2）如何判断多字节字符集的字符串长度？LENGTH()返回值为字符串的长度，单位为字节。一个多字节字符算作多字节。CHAR_LENGTH()返回值为字符串的长度，长度的单位为字符。一个多字节字符算作一个单字符。例如：对于一个包含了5个二字节的字符集，LENGTH()返回值为10，而CHAR_LENGTH()的返回值为5。3）有时创建索引的时候，可能会提示出错。MySQL会假定每个字符有3个字节，由于索引长度有限制，那么创建索引的时候，可能会提示下面这样的错误。``ERROR 1071 (42000): Specified key was too long; max key length is 1000 bytes``这时需要明白，自己创建的是多字节字符集，字节数实际上超过1000了。4）UTF-8 是可变长度的编码，使用1到4个字节来存储。但MySQL 5.1及以前的版本，对UTF-8的支持并不彻底，它的utf8只是3字节字符集，有些文字符号是不能存储的，如 emoji表情。MySQL5.5增加了字符集utf8mb4（4-Byte UTF-8 Unicode Encoding），可以存储一些MySQL utf8不能存储的字符，需要留意的是，设置了utf8mb4字符集后，需要重启MySQL Server才能生效。