mysql数据校验之字符集问题

场景：
主库DB：utf8字符集
备库DB：gbk字符集

需求：
校验主备数据是否一致，并且修复

校验过程：
设置主库连接为utf8，设置备库连接为gbk，分别进行查询，将返回的的结果集按记录逐字段比较。

显示结果：
原本相同的汉字字符，数据校验认为不一致。

原因分析：
对于主库而已，由于建立连接的字符集为UTF8，则返回的汉字字符编码为UTF8格式；对于备库而言则是GBK格式，而程序中通过字符串比较函数strcasecmp进行比较，显然不同的字符集编码，相同的字符有不同的二进制，因此结果肯定不会相等。

进一步分析：
那么对于这种情况，建立连接应该采用哪种字符集呢？GBK or UTF8。其实选择任何一种字符集都是OK的，只要是访问主库和备库的字符集保持一致即可，唯一的区别在于，若选择的字符集与客户端的字符集不一致，可能导致无法正常显示字符，即字符显示为乱码。

我们以客户端的字符集为例，详细说说三种情况：【这里的客户端可以认为是SecureCRT】
备注：绿色框代表DB字符集，黄色框代表连接字符集，橙色框代表客户端
第一种情况：

就是上述的情况，主库返回字符的GBK编码，备库返回字符的UTF8编码，因此进行字段比对，则会出现误差。

第二种情况：

访问主库的连接不变，备库连接由UTF8变为GBK，因此进行返回时，数据库会将DB的字符集转为GBK返回给客户端，那么对于客户端而已，相同字符都是通过GBK编码表示，因此二进制相等，校验结果正确。

第三种情况：

访问主库和备库的连接都是UTF8，因此对于主库而已，返回给客户端的字符编码由GBK转为UTF8，此时主库和备库都是UTF8编码，校验结果正确。但由于客户端实质是GBK编码方式显示，因此返回的汉字字符都是乱码，但不影响校验结果的正确性。

修复：

既然选择与主备库任一一个相同的字符集去访问，都不会影响校验结果的正确性，那么影响修复呢？由于UTF8的编码范围比GBK编码范围要大，因此若采用GBK连接访问UTF8编码DB，有可能出现部分字符GBK不能表示的情况。

我们拿第二种情况说明，此时主库为GBK，备库为UTF8，使用GBK访问UTF8。假设存在UTF8转为GBK过程中部分字符丢失，这时候主备库肯定是不一致的，因为存在部分字符GBK无法表示。 假设修复语句如下：

Update  t set c1=master_value  where  c1=slave_value  and id=?

其中t表示表名，id是主键表示某一行，master_value为主库c1列的值，slave_value为备库c1列的值。此时，slave_value由于UTF8转为GBK已经丢失，因此语句执行最终影响0行记录，无法修复。

结论：

客户端访问两个不同字符集库进行数据校验时，连接采用表示范围更大的字符集。比如我们常用的字符集表示范围如下：

Latin<gb2312<gbk<utf8

附：mysql客户端与服务器通信时字符集编码转换流程

相关参数：

– character_set_client：客户端来源数据使用的字符集

– character_set_connection：连接层字符集

– character_set_results：查询结果字符集

– character_set_database：当前选中数据库的默认字符集

– character_set_system：系统元数据(字段名等)字符集

1.客户端请求服务器

1)将client的字符集转为connection字符集

2)将connection字符集转为DB内部的字符集

2.服务器返回结果给客户端

1)将DB内部字符集转为connection字符集

2)将connection字符集转为character_set_results字符集

3.设置字符集命令：set names 字符编码

指定客户端与服务器通信的字符集，包括请求与返回。

SET NAMES 'x'  等价于：

SET character_set_client = x;

SET character_set_results = x;

SET character_set_connection = x;

附图：

来源于网络