技术实践｜数据迁移中GBK转UTF8字符集问题分析

导语：在国产化创新的大背景下，数据库迁移项目逐渐增多，在数据库迁移过程中，源数据库和目标数据库字符集有时会不同，这时如何进行字符集转换则成为了一个重要的问题，同时在转换过程中还需要确保数据的完整性和一致性。

字符集转换算法是一个复杂的领域，因此各个操作系统和库实现可能会有所不同。此外，一些特定的字符集转换还可能会涉及更复杂的操作。例如字符替换、丢弃或使用替代字符表示无法转换的字符等。因此，实际的字符集转换结果可能会因使用的库、操作系统版本以及具体的转换需求而有所差异。

1. 字符集介绍

■ASCII：

ASCII（American Standard Code for Information Interchange）是一个基于拉丁字母的字符集编码方案，使用7位（8位的扩展ASCII）来表示字符。

ASCII字符集包含了基本的拉丁字母、数字、标点符号和一些特殊控制字符，共计128个字符。

ASCII是一个较为简单和有限的字符集，主要适用于英语及其他使用基本拉丁字母的语言。

■　Latin-1：

Latin-1是一种拉丁字符集编码方案，使用8位（一个字节）来表示每个字符。

Latin-1（ISO 8859-1）覆盖了ASCII字符集的范围，并扩展了一些额外的特殊字符和符号，包括重音符号、货币符号、扩展的拉丁字母等。

Latin-1适用于多种西欧语言，如英语、法语、德语、西班牙语等，能够表示这些语言中常见的字符需求。

■　GBK：

GBK是一种中文字符集编码，主要用于表示中文字符和标点符号。它是GB2312（国标2312）的扩展版本，支持更多的汉字字符。

GBK使用双字节编码，每个字符占用两个字节。其中，ASCII字符的编码与ASCII字符集兼容，非ASCII字符则使用两个字节来表示。

GBK能够表示包括繁体中文、简体中文在内的大部分中文字符。

■　UTF-8：

UTF-8是一种通用的字符集编码，支持全球范围内的几乎所有字符，包括各种语言的文字、符号和表情符号。

UTF-8使用变长编码，根据字符的Unicode值，使用1到4个字节来表示字符。其中，ASCII字符使用一个字节表示，非ASCII字符使用多个字节表示。

UTF-8兼容ASCII字符集，可以表示所有ASCII字符，因此它是广泛使用的字符集编码方案。

2. 数据迁移背景介绍

早期的数据仓库字符集一般都是GBK，而现在的数据仓库都使用UTF8字符集，所以字符集转换是迁移过程中最关键的一个步骤。正常情况下如果源数据库没有乱码，那么字符集转换不会出现问题，GBK可以正常转换为UTF8。但如果源数据库有乱码存在，那么在字符集转换过程中就会出现很多不确定的问题，而且不同的字符集转换方式不同，结果也不同。

3. 字符集转换方法介绍

目前字符集转换采用两种方式：

■　Linux系统的iconv

■　编写程序实现字符集转换，推荐使用Golang、Python、C，考虑到项目实施的可操作性和技术通用性，一般可以采用Python语言，且可以通过多线程提高转码效率。

●　iconv

iconv是一个在Linux和其他类Unix操作系统上广泛使用的命令行工具。它用于进行字符编码之间的转换。iconv的名称是“character set conversion”（字符集转换）的缩写。

在Linux系统中，iconv命令使用的字符集转换算法主要依赖于GNU C库（GNU C Library，简称为glibc）提供的转换功能。glibc是Linux系统的标准C库，为许多基本操作提供了支持，包括字符集转换。

glibc中的字符集转换算法主要基于Unicode标准：Unicode是一种字符编码标准，它为世界上几乎所有的字符提供了唯一的编码值。glibc使用Unicode标准作为内部字符表示，以实现不同字符集之间的转换。

●　Python的codecs模块

codecs是Python标准库中的一个模块，用于字符编码和解码操作。它提供了一组函数和类，用于在不同的字符编码之间进行转换。在处理文本数据时，经常需要将文本从一种编码格式转换为另一种编码格式。这可能涉及到将文本从Unicode转换为其他编码（如UTF-8、ASCII等），或者将文本从其他编码转换为Unicode。codecs模块提供了一种简单而一致的方式来执行这些编码和解码操作。

以下是codecs模块的一些主要特性和功能：

编码和解码函数：codecs模块提供了一组函数，如codecs.encode()和codecs.decode()，用于执行字符编码和解码操作。这些函数接受输入文本和目标编码格式作为参数，并返回编码或解码后的文本。

多种编码支持：codecs模块支持许多常见的字符编码格式，包括ASCII、UTF-8、UTF-16、UTF-32等。它还提供了对其他编码格式的支持，如Base64、Quoted-Printable、ROT13​等。

错误处理：在进行字符编码和解码时，可能会出现无法处理的字符或编码错误。codecs 模块允许指定不同的错误处理策略，以处理这些错误情况。例如，可以选择忽略无法处理的字符，替换它们或引发异常。

使用codecs模块，可以便捷地进行不同编码之间的转换，处理文本数据的编码问题，并确保数据在不同环境中正确地传输和解释。

4. 项目实施中字符集转换介绍

以TERADATA​(TD)数据库迁移到高斯数据库为例，一般TD数据库默认是使用latin1的字符集，而应用一般使用中文GBK字符集在TD数据库中存储数据，所以当从TD数据库迁移到其他数据库时，应该以GBK字符集作为源数据库字符集。

数据迁移主要流程如下：

■从TD数据库中导出数据并以GBK字符集落地为数据文件。

■将GBK数据文件转换为UTF8文件。

■将UTF8数据文件导入到高斯数据库（高斯数据库的外表加载也可以将GBK字符集转换为UTF8字符集，在此不做讨论）

某证券公司的业务表部分示例数据如下，从TD数据库中导出的数据是GBK字符集，数据中有3个字段，字段分隔符为：||，数据的第三个字段是中文。在迁移过程中中文字段可能会存在乱码，所以在使用不同的字符集转换方式后其转换的结果也会有所不同。

示例数据中第一行的第三个中文字段有乱码，正确的数据如下：

G000A||10000||广东省广州市天河区天河北路437号

E000D||20000||上海市浦东新区来安路685号

Q000D||20000||山东省青岛市崂山区仙霞岭路17~21号

第一行中文字段的GBK十六进制编码如下：

数据中“州”字的GBK编码：D6 DD，但是实际的数据中由于某种原因造成D6丢失，由于GBK是双字节编码，所以DD和后面的字节（CA）重新组成了另一个汉字：菔，而以此类推后面的汉字，每两个字节组成一个汉字，但B7 34在GBK编码中不能组成汉字，34在GBK编码中是：4，也正是“437号”中的“4”。

当使用iconv转换此带有乱码的GBK文件时，效果如下所示。

iconv系统内核版本、os版本、自身版本如下：

[root@imo tmp]# uname -r
3.10.0-514.el7.x86_64
[root@imo tmp]# cat /etc/redhat-release
Red Hat Enterprise Linux Server release 7.3 (Maipo)
[root@imo tmp]# iconv -V
iconv (GNU libc) 2.17

转换命令如下：

[root@imo tmp]# iconv -f gbk -t utf8 -c  sec_acc_gbk.txt  -o sec_acc_utf8.txt

所以经过iconv转换后，B7和34不能组成汉字，所以B7被丢弃，而实际的内容如下：

G000A||10000||广东省广菔刑旌忧旌颖甭437号

E000D||20000||上海市浦东新区来安路685号

Q000D||20000||山东省青岛市崂山区仙霞岭路17~21号

当python程序使用内置库codecs进行代码转换后，可以有2个参数选项errors='replace'和errors='ignore'，‘replace’表示当出现乱码后可以把乱码替换成“？”，而'ignore'表示当出现乱码后，会把乱码丢弃（和iconv特性相同）。

当使用codecs做代码转换时，使用'replace'参数，部分代码如下：

codecs.open(fileGbkAPName, 'r', encoding='{0}'.format(gbkFileEncoding),errors='replace')

转换后的结果如下：

G000A||10000||广东省广�菔刑旌忧�天河北路437号

E000D||20000||上海市浦东新区来安路685号

Q000D||20000||山东省青岛市崂山区仙霞岭路17~21号

当使用codecs做代码转换时，使用'ignore'参数，部分代码如下：

codecs.open(fileGbkAPName, 'r', encoding='{0}'.format(gbkFileEncoding),errors='ignore')

转换后的结果如下：

G000A||10000||广东省广菔刑旌忧天河北路437号

E000D||20000||上海市浦东新区来安路685号

Q000D||20000||山东省青岛市崂山区仙霞岭路17~21号

5. 总结

■　iconv 2.17版本就是根据glibc库进行字符集转换，不能转换的就丢弃，且当文件中有半个字节丢失后，后面转换的中文字符很可能是不准确的。如在本示例中，遇到乱码后，最终转换的字符为：“菔刑旌忧旌颖甭437号”

■　Python的内置库codecs对中文转换时采用一种“转换最多中文字符”的策略，所以codecs在本示例中，遇到乱码后，最终转换的字符为：“菔刑旌忧天河北路437号”。

6. Python程序示例

# -*- coding: utf-8 -*-
import codecs
import sys

## 定义常量
fileGbkAPName="/DATA/GBK_FILES/sec_acc_gbk.txt"
fileUtf8APName="/DATA/UTF8_FILES/sec_acc_utf8.txt"
gbkFileEncoding='gbk'
utf8FileEncoding='utf8'

def main():

    try:  # open TD数据文件(使用codecs库)
        gbkFileStream = codecs.open(fileGbkAPName, 'rb', encoding='{0}'.format(gbkFileEncoding),errors='replace')
        # gbkFileStream = codecs.open(fileGbkAPName, 'rb', encoding='{0}'.format(gbkFileEncoding),errors='ignore')

    except Exception as e :

        print("不能Open数据文件{0},报错信息{1},程序异常退出!!".format(fileGbkAPName,e))
        sys.exit(-1)

    tmpGbkCont = gbkFileStream.readlines()

    # 转换为utf8字符
    utf8FileStream= open(f'{fileUtf8APName}','w',encoding=f'{utf8FileEncoding}')
    for gbkLine in tmpGbkCont:

        utf8Line = gbkLine.encode('{0}'.format(utf8FileEncoding)).decode('{0}'.format(utf8FileEncoding)).split('\n')[0]
        print(utf8Line)

        # 写入utf8文件
        utf8FileStream.write(utf8Line+'\n')

    gbkFileStream.close()
    utf8FileStream.close()

if __name__ == '__main__':
    main()
else:
    print("程序执行非法调用，异常退出！！")
    sys.exit(-1)