經常看到一些朋友問ORACLE字符集方面的問題，我想以迭代的方式來介紹一下。

第一次迭代：掌握字符集方面的基本概念。
有些朋友可能會認為這是多此一舉，但實際上正是由于對相關基本概念把握不清，才導致了諸多問題和疑問。
首先是字符集的概念。
我們知道，電子計算機最初是用來進行科學計算的（所以叫做“計算機”），但隨著技術的發(fā)展，還需要計算機進行其它方面的應用處理。這就要求計算機不僅能處理數(shù)值，還能處理諸如文字、特殊符號等其它信息，而計算機本身能直接處理的只有數(shù)值信息，所以就要求對這些文字、符號信息進行數(shù)值編碼，最初的字符集是我們都非常熟悉的ASCII，它是用7個二進制位來表示128個字符，而后來隨著不同國家、組織的需要，出現(xiàn)了許許多多的字符集，如表示西歐字符的ISO8859系列的字符集，表示漢字的GB2312-80、GBK等字符集。
字符集的實質就是對一組特定的符號，分別賦予不同的數(shù)值編碼，以便于計算機的處理。
字符集之間的轉換。字符集多了，就會帶來一個問題，比如一個字符，在某一字符集中被編碼為一個數(shù)值，而在另一個字符集中被編碼為另一個數(shù)值，比如我來創(chuàng)造兩個字符集demo_charset1與demo_charset2，在demo_charset1中，我規(guī)定了三個符號的編碼為：A（0001），B（0010），？（1111）；而在demo_charset2中，我也規(guī)定了三個符號的編碼為：A（1001），C（1011），？（1111），這時我接到一個任務，要編寫一個程序，負責在demo_charset1與demo_charset2之間進行轉換。由于知道兩個字符集的編碼規(guī)則，對于demo_charset1中的0001，在轉換為demo_charset2時，要將其編碼改為1001；對于demo_charset1中的1111，轉換為demo_charset2時，其數(shù)值不變；而對于demo_charset1中的0010，其對應的字符為B，但在demo_charset2沒有對應的字符，所以從理論上無法轉換，對于所有這類無法轉換的情況，我們可以將它們統(tǒng)一轉換為目標字符集中的一個特殊字符（稱為“替換字符”），比如在這里我們可以將？作為替換字符，所以B就轉換為了？，出現(xiàn)了信息的丟失；同樣道理，將demo_charset2的C字符轉換到demo_charset1時，也會出現(xiàn)信息丟失。
所以說，在字符集轉換過程中，如果源字符集中的某個字符在目標字符集中沒有定義，將會出現(xiàn)信息丟失。
數(shù)據庫字符集的選擇。
我們在創(chuàng)建數(shù)據庫時，需要考慮的一個問題就是選擇什么字符集與國家字符集（通過create database中的CHARACTER SET與NATIONAL CHARACTER SET子句指定）。考慮這個問題，我們必須要清楚數(shù)據庫中都需要存儲什么數(shù)據，如果只需要存儲英文信息，那么選擇US7ASCII作為字符集就可以；但是如果要存儲中文，那么我們就需要選擇能夠支持中文的字符集（如ZHS16GBK）；如果需要存儲多國語言文字，那就要選擇UTF8了。
數(shù)據庫字符集的確定，實際上說明這個數(shù)據庫所能處理的字符的集合及其編碼方式，由于字符集選定后再進行更改會有諸多的限制，所以在數(shù)據庫創(chuàng)建時一定要考慮清楚后再選擇。
而我們許多朋友在創(chuàng)建數(shù)據庫時，不考慮清楚，往往選擇一個默認的字符集，如WE8ISO8859P1或US7ASCII，而這兩個字符集都沒有漢字編碼，所以用這種字符集存儲漢字信息從原則上說就是錯誤的。雖然在有些時候選用這種字符集好象也能正常使用，但它會給數(shù)據庫的使用與維護帶來一系列的麻煩，在后面的迭代過程中我們將深入分析。
客戶端的字符集。
有過一些Oracle使用經驗的朋友，大多會知道通過NLS_LANG來設置客戶端的情況，NLS_LANG由以下部分組成：NLS_LANG=<Language>_<Territory>.<Clients Characterset>，其中第三部分<Clients Characterset>的本意就是用來指明客戶端操作系統(tǒng)缺省使用的字符集。所以按正規(guī)的用法，NLS_LANG應該按照客戶端機器的實際情況進行配置，尤其對于字符集一項更是如此，這樣Oracle就能夠在最大程度上實現(xiàn)數(shù)據庫字符集與客戶端字符集的自動轉換（當然是如果需要轉換的話）。
總結一下第一次迭代的重點：
字符集：將特定的符號集編碼為計算機能夠處理的數(shù)值；
字符集間的轉換：對于在源字符集與目標字符集都存在的符號，理論上轉換將不會產生信息丟失；而對于在源字符集中存在而在目標字符集中不存在的符號，理論上轉換將會產生信息丟失；
數(shù)據庫字符集：選擇能夠包含所有將要存儲的信息符號的字符集；
客戶端字符集設置：指明客戶端操作系統(tǒng)缺省使用的字符集。



第二次迭代：通過實例加深對基本概念的理解

下面我將引用網友tellin在ITPUB上發(fā)表的“CHARACTER SET研究及疑問”帖子，該朋友在帖子中列舉了他做的相關實驗，并對實驗結果提出了一些疑問，我將對他的實驗結果進行分析，并回答他的疑問。
實驗結果分析一

quote:

---

最初由 tellin 發(fā)布
設置客戶端字符集為US7ASCII
D:\>SET NLS_LANG=AMERICAN_AMERICA.US7ASCII
查看服務器字符集為US7ASCII
SQL> SELECT * FROM NLS_DATABASE_PARAMETERS;
PARAMETER VALUE
------------------------------ ----------------------------------------
NLS_CHARACTERSET US7ASCII

建立測試表
SQL> CREATE TABLE TEST (R1 VARCHAR2(10));

Table created.

插入數(shù)據
SQL> INSERT INTO TEST VALUES('東北');

1 row created.

SQL> SELECT * FROM TEST;

R1
----------
東北

SQL> EXIT

---

這一部分的實驗數(shù)據的存取與顯示都正確，好象沒什么問題，但實際上卻隱藏著很大的隱患。
首先，要將漢字存入數(shù)據庫，而將數(shù)據庫字符集設置為US7ASCII是不合適的。US7ASCII字符集只定義了128個符號，并不支持漢字。另外，由于在SQL*PLUS中能夠輸入中文，操作系統(tǒng)缺省應該是支持中文的，但在NLS_LANG中的字符集設置為US7ASCII，顯然也是不正確的，它沒有反映客戶端的實際情況。
但實際顯示卻是正確的，這主要是因為Oracle檢查數(shù)據庫與客戶端的字符集設置是同樣的，那么數(shù)據在客戶與數(shù)據庫之間的存取過程中將不發(fā)生任何轉換。具體地說，在客戶端輸入“東北”，“東”的漢字的編碼為182（10110110）、171（10101011），“北”漢字的編碼為177（10110001）、177（10110001），它們將不做任何變化的存入數(shù)據庫中，但是這實際上導致了數(shù)據庫標識的字符集與實際存入的內容是不相符的，從某種意義上講，這也是一種不一致性，也是一種錯誤。而在SELECT的過程中，Oracle同樣檢查發(fā)現(xiàn)數(shù)據庫與客戶端的字符集設置是相同的，所以它也將存入的內容原封不動地傳送到客戶端，而客戶端操作系統(tǒng)識別出這是漢字編碼所以能夠正確顯示。
在這個例子中，數(shù)據庫與客戶端的設置都有問題，但卻好象起到了“負負得正”的效果，從應用的角度看倒好象沒問題。但這里面卻存在著極大的隱患，比如在應用length或substr等字符串函數(shù)時，就可能得到意外的結果。另外，如果遇到導入/導出（import /export）將會遇到更大的麻煩。有些朋友在這方面做了大量的測試，如eygle研究了“源數(shù)據庫字符集為US7ASCII，導出文件字符集為US7ASCII或ZHS16GBK，目標數(shù)據庫字符集為ZHS16GBK”的情況，他得出的結論是 “如果的是在Oracle92中，我們發(fā)現(xiàn)對于這種情況，不論怎樣處理，這個導出文件都無法正確導入到Oracle9i數(shù)據庫中”、“對于這種情況，我們可以通過使用Oracle8i的導出工具，設置導出字符集為US7ASCII，導出后修改第二、三字符，修改 0001 為0354,這樣就可以將US7ASCII字符集的數(shù)據正確導入到ZHS16GBK的數(shù)據庫中”。我想對于這些結論，這樣理解可能更合適一些：由于ZHS16GBK字符集是US7ASCII的超級，所以如果按正常操作，這種轉換應該沒有問題；但出現(xiàn)問題的本質是我們讓本應只存儲英文字符的US7ASCII數(shù)據庫，非常規(guī)地存儲了中文信息，那么在轉化過程中出現(xiàn)錯誤或麻煩就沒什么奇怪的了，不出麻煩倒是有些奇怪了。
所以說要避免這種情況，就是要在建立數(shù)據庫時選擇合適的字符集，不讓標簽（數(shù)據庫的字符集設置）與實際（數(shù)據庫中實際存儲的信息）不符的情況發(fā)生。

實驗結果分析二

quote:

---

[ 更改客戶端字符集為ZHS16GBK
D:\>SET NLS_LANG=AMERICAN_AMERICA.ZHS16GBK

D:\>SQLPLUS "/ AS SYSDBA"

無法正常顯示數(shù)據

SQL> SELECT * FROM TEST;

R1
--------------------
6+11

疑問1：ZHS16GBK為US7ASCII的超集，為什么在ZHS16GBK環(huán)境下無法正常顯示

---

這主要是因為Oracle檢查發(fā)現(xiàn)數(shù)據庫設置的字符集與客戶端配置字符集不同，它將對數(shù)據進行字符集的轉換。數(shù)據庫中實際存放的數(shù)據為182（10110110）、171（10101011）、177（10110001）、177（10110001），由于數(shù)據庫字符集設置為US7ASCII，它是一個7bit的字符集，存儲在8bit的字節(jié)中，則Oracle忽略各字節(jié)的最高bit，則182（10110110）就變成了54（0110110），在ZHS16GBK中代表數(shù)字符號“6”（當然在其它字符集中也是“6”），同樣過程也發(fā)生在其它3個字節(jié)，這樣“東北”就變成了“6+11”。

實驗結果分析三

quote:

---

最初由 tellin 發(fā)布
用ZHS16GBK插入數(shù)據
SQL> INSERT INTO TEST VALUES('東北');

1 row created.

SQL> SELECT * FROM TEST;

R1
--------------------
6+11
??

SQL> EXIT

---

當客戶端字符集設置為ZHS16GBK后向數(shù)據庫插入“東北”，Oracle檢查發(fā)現(xiàn)數(shù)據庫設置的字符集為US7ASCII與客戶端不一致，需要進行轉換，但字符集ZHS16GBK中的“東北”兩字在US7ASCII中沒有對應的字符，所以Oracle用統(tǒng)一的“替換字符”插入數(shù)據庫，在這里為“？”，編碼為63（00111111），這時，輸入的信息實際上已經丟失，不管字符集設置如何改變（如下面引用的實驗結果），第二行SELECT出來的結果也都是兩個“？”號（注意是2個，而不是4個）。

quote:

---

更改客戶端字符集為US7ASCII
D:\>SET NLS_LANG=AMERICAN_AMERICA.US7ASCII

D:\>SQLPLUS "/ AS SYSDBA"

無法顯示用ZHS16GBK插入的字符集，但可以顯示用US7ASCII插入的字符集
SQL> SELECT * FROM TEST;

R1
----------
東北
??


更改服務器字符集為ZHS16GBK
SQL> update props$ set value$='ZHS16GBK' WHERE NAME='NLS_CHARACTERSET';

1 row updated.

SQL> COMMIT;

更改客戶端字符集為ZHS16GBK
D:\>SET NLS_LANG=AMERICAN_AMERICA.ZHS16GBK

D:\>SQLPLUS "/ AS SYSDBA"

可以顯示以前US7ASCII的字符集，但無法顯示用ZHS16GBK插入的數(shù)據，說明用ZHS16GBK插入的數(shù)據為亂碼。

SQL> SELECT * FROM TEST;

R1
--------------------
東北
??

---

需要指出的是，通過“update props$ set value$='ZHS16GBK' WHERE NAME='NLS_CHARACTERSET';”來修改數(shù)據庫字符集是非常規(guī)作法，很可能引起問題，在這里只是原文引用網友的實驗結果。

?

實驗結果分析四

quote:

---

SQL> INSERT INTO TEST VALUES('東北');

1 row created.

SQL> SELECT * FROM TEST;

R1
--------------------
東北
??
東北

SQL> EXIT

---

由于此時數(shù)據庫與客戶端的字符集設置均為ZHS16GBK，所以不會發(fā)生字符集的轉換，第一行與第三行數(shù)據顯示正確，而第二行由于存儲的數(shù)據就是63（00111111），所以顯示的是“？”號。

quote:

---

更改客戶端字符集為US7ASCII

D:\>SET NLS_LANG=AMERICAN_AMERICA.US7ASCII

D:\>SQLPLUS "/ AS SYSDBA"

無法顯示數(shù)據

SQL> SELECT * FROM TEST;

R1
----------
??
??
??

疑問2：第一行數(shù)據是用US7ASCII環(huán)境插入的，為何無法正常顯示？

---

將客戶端字符集設置改為US7ASCII后進行SELECT，Oracle檢查發(fā)現(xiàn)數(shù)據庫設置的字符集為ZHS16GBK，數(shù)據需要進行字符集轉換，而第一行與第三行的漢字“東”與“北”在客戶端字符集US7ASCII中沒有對應字符，所以轉換為“替換字符”（“？”），而第二行數(shù)據在數(shù)據庫中存的本來就是兩個“？”號，所以雖然在客戶端顯示的三行都是兩個“？”號，但在數(shù)據庫中存儲的內容卻是不同的。

實驗結果分析五

quote:

---

SQL> INSERT INTO TEST VALUES('東北');

1 row created.

SQL> EXIT
更改客戶端字符集為ZHS16GBK
D:\>SET NLS_LANG=AMERICAN_AMERICA.ZHS16GBK

D:\>SQLPLUS "/ AS SYSDBA"

無法顯示用US7ASCII插入的字符集，但可以顯示用ZHS16GBK插入的字符集
SQL> SELECT * FROM TEST;

R1
--------------------
東北
??
東北
6+11

SQL>
疑問3：US7ASCII為ZHS16GBK的子集，為何在US7ASCII環(huán)境下插入的數(shù)據無法顯示？ [/B]

---

在客戶端字符集設置為US7ASCII時，向字符集為ZHS16GBK的數(shù)據庫中插入“東北”，需要進行字符轉換，“東北”的ZHS16GBK編碼為182（10110110）、171（10101011）與177（10110001）、177（10110001），由于US7ASCII為7bit編碼，Oracle將這兩個漢字當作四個字符，并忽略各字節(jié)的最高位，從而存入數(shù)據庫的編碼就變成了54（00110110）、43（00101011）與49（00110001）、49（00110001），也就是“6+11”，原始信息被改變了。這時，將客戶端字符集設置為ZHS16GBK再進行SELECT，數(shù)據庫中的信息不需要改變傳到客戶端，第一、三行由于存入的信息沒有改變能顯示“東北”，而第二、四行由于插入數(shù)據時信息改變，所以不能顯示原有信息了。

分析了這么多的內容，但實際上總結起來也很簡單

分析了這么多的內容，但實際上總結起來也很簡單，要想在字符集方面少些錯誤與麻煩，需要堅持兩條基本原則：
在數(shù)據庫端：選擇需要的字符集（通過create database中的CHARACTER SET與NATIONAL CHARACTER SET子句指定）；
在客戶端：設置操作系統(tǒng)實際使用的字符集（通過環(huán)境變量NLS_LANG設置）。