字符集GBK升级UTF8

在生产环境中，数据库字符集因为各种原因需要升级，比如为了支持汉字，从latin1字符集升级到GBK，后面为了支持多个语言文字，需要将GBK升级到UTF8等。迁移过程网上有很多，我今天主要想讲下字符集转换后，可能对业务产生的影响，我以GBK转换到UTF8为例说明。主要有两点：

1. 汉字在GBK编码中占2个字节，在UTF8编码中占3个字节，而mysql的索引要求总长度不超过767个字节，因此索引字符数会被缩短(383->255)，特别的，对于唯一索引，要求索引字段长度小于256个字符。
2. 编码转换后，导致字段排序发生变化。

这篇文章主要为了说明编码转换后，字段排序如何受影响，会结合mysql源代码给出原因和分析。首先看测试用例，假设cmp_t(GBK编码)和cmp_t2(UTF8编码)分别是迁移前后的表。

测试用例：

	操作	cmp_t(GBK)	cmp_t2(UTF8)
1	GBK表： select c1,hex(c1) from cmp_t; UTF8表： select c1,hex(c1) from cmp_t2;	+------+---------+ | c1   | hex(c1) | +------+---------+ | 一  | D2BB | 二  | B6FE | 三  | C8FD | a    | 61 | 1    | 31 +------+---------+	+------+---------+ | c1   | hex(c1) | +------+---------+ | 一  | E4B880 | 二  | E4BA8C | 三  | E4B889 | a    | 61 | 1    | 31 +------+---------+
2	GBK表： select c1,hex(c1) from cmp_t where c1>’a’ order by c1; UTF8表： select c1,hex(c1) from cmp_t2 where c1>’a’ order by c1;	+------+---------+ | c1   | hex(c1) | +------+---------+ | 二  | B6FE    | | 三  | C8FD | 一  | D2BB +------+---------+	+------+---------+ | c1   | hex(c1) | +------+---------+ | 一  | E4B880 | 三  | E4B889 | 二  | E4BA8C +------+---------+

从上面操作返回的结果我们可以得到以下几点信息：

1. 汉字在GBK编码中占2个字节，在UTF8编码中占3个字节
2. 数字和英文字符在GBK和UTF8编码中都只占一个字节
3. 汉字在UTF8编码和GBK编码不同，排序后顺序变化了。

原理分析：

Mysql利用sortcmp函数对字符串进行比较，对于GBK的字符串和UTF8的字符串分别采用接口my_strnncollsp_gbk和my_strnncollsp_utf8比较，这两个函数分别在ctype-gbk.c和ctype-utf8.c中实现，两个函数实现逻辑类似，只是各有自己一套比较大小的规则，下面我主要描述下my_strnncollsp_utf8的比较逻辑和比较大小的规则。

比较逻辑：

1. 获取字符串的第一个字节
2. 根据UTF8的编码规则(附1)，确定字符由几个字节组成
3. 根据一定的算法算出字符的加权值(附2)，比较大小；若不符合UTF8编码规范，认为是乱码，采用二进制比较(附3)
4. 跳过步骤2返回的字节数，比较下一个字符。

附1：【接口: my_utf8_uni】

根据UTF8编码规则，符合编码规范的字符占用1-6个字节。

取字符串第一个字节 s

if s<0x80

表示字符占1个字节

elif s<0xe0

表示字符占2个字节

elif s<0xf0

表示字符占3个字节

else s<0xf8

表示字符占4个字节

elif s<0xfc

表示字符占5个字节

elif s<0xfe

表示字符占6个字节

英文字符和数字字符编码兼容ASCII，编码值小于0x80，因此都只占1个字节；汉字的utf8编码的首字节都在[0xe0，0xf0]之间，所以占3个字节。

附2：utf8编码比较大小规则

value = ((s[0] & 0x0f) << 12)| ((s[1] ^ 0x80) << 6) | (s[2] ^ 0x80)

s[0],s[1],s[2]表示组成汉字的三个字节，对参与比较的汉子字符进行计算得到value1和value2，通过比较value1和value2的大小，判断字符大小。

附3：二进制比较【接口: bincmp】

memcmp函数比较，即逐字节比较。

因此，如果业务上面需要依赖汉字比较的场景，需要考虑字符集升级(GBK->UTF8)的风险，主要是索引或主键中包含字符串字段需要特别关注，如果字符串中确定只包含有数字和字符，则不会存在问题。