图解MySQL | [原理解析] 设置字符集的参数控制了哪些行为

本文以 一个字符集设置引起的故障现象 入手, 介绍 MySQL字符集的各个参数 的作用.

故障现象描述

在向MySQL导入数据时，先设置`set names gbk`，然后通过source导入一个很大的SQL文件 (文件字符集为gbk)，发现如下行为：

1. 正常情况下，SQL文件中的SQL以分号分割，发往MySQL的每一个数据包会带有一个SQL。

2. 在语句”INSERT INTO … VALUES(…,’璡’,…); “之后，所有数据会打包在一起，通过大数据包协议一起发往MySQL (若单个数据大于16M，MySQL则使用大数据包协议，参考[1])。

   
   

初步猜测, 认为是字符集的设置问题。

MySQL的字符集参数

在谈及MySQL字符集时，还必须介绍校验集。字符集(character set)表示字符以何种规则进行编码，校验集(collation)表示字符以何种规则进行比较和排序 (例如：是否大小写敏感)。

MySQL有以下字符集相关的设置：

1. 三组设置字符集+校验集的参数：

1. character_set_connection/collation_connection

2. character_set_server/collation_server

3. character_set_database/collation_database，此组参数已被废弃。

2. 四个只能设置字符集的参数：

1. character_set_client

2. character_set_results

3. character_set_filesystem

4. character_set_system，此参数值固定为utf8，且不可改变。本文不涉及此项。

3. MySQL client中, 有一个内存变量`charset_info`，本文中称其为`mysql.client.charset`

4. 存储层：数据库/数据表/数据列 均由单独的字符集+校验集参数，通过CREATE语句可进行设置。MySQL文档中有详细记述。

(后文描述字符集+校验集时，以字符集为例，校验集的出现位置与对应的字符集相同)

各种配置的关系如下图所示，下图示例为用source命令导入sql.txt，其中包含一个`SELECT…INTO OUTFILE`语句：

(为描述方便，之后将`character_set_xxx`简写为`cs_xxx`)

说明: 

1. client从sql.txt读取SQL。SQL在sql.txt中遵循文件的字符集，client按照`mysql.client.charset`进行读取。

2. client将SQL发往server。SQL按照`cs_client`字符集进行发送。server接收SQL后, 将其中的 字符串常量 转换成`cs_connection`字符集。

3. server接收SQL后, 将其中的 文件名常量 转换成`cs_filesystem`。

4. server将常量传给存储层InnoDB时, 需将常量转换成存储层的字符集。

5. SQL中的文件名，以`cs_filesystem`字符集写入文件系统。

6. 若查询结果要存入文件，可在`SELECT…INTO…`语句中指定字符集，或默认使用binary。

7. 若查询结果直接返回client，则将结果转换为`cs_results`后返回。

关于存储层的字符集: 

数据库/数据表/数据列 级别的字符集可分别指定，如图中左下部分所示，子级别可指定字符集 或 从父级别继承。

其中`cs_database`已被废弃，但尚未移除。

关于字符集的设置：除直接设置变量，字符集的常见设置方法为: 

1. client连接握手时指定字符集，通过`–default-character-set`参数启动client可设置。

2. `SET NAMES `语句

3. `SET CHARSET `语句

   
   

其三种设置方式对参数的影响参看图中最后的列表, 可以看出：

1. `SET NAMES` 并不会影响客户端解析SQL文件的字符集`mysql.client.charset`

2. `SET CHARSET` 会将 `cs_connection` 设置成 `cs_database`的值，而并非设置的字符集。

故障分析

了解MySQL的字符集各项参数后，故障的原因就比较明显了：

1. `SET NAMES`并不影响`mysql.client.charset`，因此MySQL解析sql.txt时，使用了默认字符集utf8。

2. “璡”字的二进制编码为ad5c，5c的对应字符为””。因此”(璡)(单引号)”会被误读为”(之前字符的编码xx + ad对应的字符)(被转义的单引号)”，导致后面的SQL因为单引号不封闭而被认为是一个字符串，因此MySQL client无法正确切分SQL。

回顾

通过之前的说明，可以猜测MySQL的字符串参数的意图：

– 可以 设置字符集+校验集 的机制，都需要进行字符串的比较。比如`cs_connection` 可用于 WHERE 条件中的比较运算，存储层的字符集 可用于 存储内的排序操作。

– 可以 设置字符集但不能设置校验集 的机制，都跟外部系统相关 (相对于MySQL server)。比如`cs_client`和`cs_results`跟MySQL client相关，`cs_filesystem`与服务器的文件系统相关。

– `mysql.client.charset`在MySQL文档中并未有介绍，但会影响MySQL client对SQL文件的解析。

扩展阅读

https://dev.mysql.com/doc/refman/5.7/en/charset.html

https://www.cnblogs.com/chyingp/p/mysql-character-set-collation.html

[1] https://dev.mysql.com/doc/internals/en/sending-more-than-16mbyte.html

开源分布式中间件DBLE

社区官网：https://opensource.actionsky.com/

GitHub主页：https://github.com/actiontech/dble

技术交流群：669663113

开源数据传输中间件DTLE

社区官网：https://opensource.actionsky.com/

GitHub主页：https://github.com/actiontech/dtle

技术交流群：852990221

喜欢点“分享”，不行就“在看”