技術實踐｜數據遷移中GBK轉UTF8字符集問題分析

導語：在國產化創新的大背景下，數據庫遷移項目逐漸增多，在數據庫遷移過程中，源數據庫和目標數據庫字符集有時會不同，這時如何進行字符集轉換則成為了一個重要的問題，同時在轉換過程中還需要確保數據的完整性和一致性。

字符集轉換算法是一個復雜的領域，因此各個操作系統和庫實現可能會有所不同。此外，一些特定的字符集轉換還可能會涉及更復雜的操作。例如字符替換、丟棄或使用替代字符表示無法轉換的字符等。因此，實際的字符集轉換結果可能會因使用的庫、操作系統版本以及具體的轉換需求而有所差異。

1. 字符集介紹

■ASCII：

ASCII（American Standard Code for Information Interchange）是一個基于拉丁字母的字符集編碼方案，使用7位（8位的擴展ASCII）來表示字符。

ASCII字符集包含了基本的拉丁字母、數字、標點符號和一些特殊控制字符，共計128個字符。

ASCII是一個較為簡單和有限的字符集，主要適用于英語及其他使用基本拉丁字母的語言。

■　Latin-1：

Latin-1是一種拉丁字符集編碼方案，使用8位（一個字節）來表示每個字符。

Latin-1（ISO 8859-1）覆蓋了ASCII字符集的范圍，并擴展了一些額外的特殊字符和符號，包括重音符號、貨幣符號、擴展的拉丁字母等。

Latin-1適用于多種西歐語言，如英語、法語、德語、西班牙語等，能夠表示這些語言中常見的字符需求。

■　GBK：

GBK是一種中文字符集編碼，主要用于表示中文字符和標點符號。它是GB2312（國標2312）的擴展版本，支持更多的漢字字符。

GBK使用雙字節編碼，每個字符占用兩個字節。其中，ASCII字符的編碼與ASCII字符集兼容，非ASCII字符則使用兩個字節來表示。

GBK能夠表示包括繁體中文、簡體中文在內的大部分中文字符。

■　UTF-8：

UTF-8是一種通用的字符集編碼，支持全球范圍內的幾乎所有字符，包括各種語言的文字、符號和表情符號。

UTF-8使用變長編碼，根據字符的Unicode值，使用1到4個字節來表示字符。其中，ASCII字符使用一個字節表示，非ASCII字符使用多個字節表示。

UTF-8兼容ASCII字符集，可以表示所有ASCII字符，因此它是廣泛使用的字符集編碼方案。

2. 數據遷移背景介紹

早期的數據倉庫字符集一般都是GBK，而現在的數據倉庫都使用UTF8字符集，所以字符集轉換是遷移過程中最關鍵的一個步驟。正常情況下如果源數據庫沒有亂碼，那么字符集轉換不會出現問題，GBK可以正常轉換為UTF8。但如果源數據庫有亂碼存在，那么在字符集轉換過程中就會出現很多不確定的問題，而且不同的字符集轉換方式不同，結果也不同。

3. 字符集轉換方法介紹

目前字符集轉換采用兩種方式：

■　Linux系統的iconv

■　編寫程序實現字符集轉換，推薦使用Golang、Python、C，考慮到項目實施的可操作性和技術通用性，一般可以采用Python語言，且可以通過多線程提高轉碼效率。

●　iconv

iconv是一個在Linux和其他類Unix操作系統上廣泛使用的命令行工具。它用于進行字符編碼之間的轉換。iconv的名稱是“character set conversion”（字符集轉換）的縮寫。

在Linux系統中，iconv命令使用的字符集轉換算法主要依賴于GNU C庫（GNU C Library，簡稱為glibc）提供的轉換功能。glibc是Linux系統的標準C庫，為許多基本操作提供了支持，包括字符集轉換。

glibc中的字符集轉換算法主要基于Unicode標準：Unicode是一種字符編碼標準，它為世界上幾乎所有的字符提供了唯一的編碼值。glibc使用Unicode標準作為內部字符表示，以實現不同字符集之間的轉換。

●　Python的codecs模塊

codecs是Python標準庫中的一個模塊，用于字符編碼和解碼操作。它提供了一組函數和類，用于在不同的字符編碼之間進行轉換。在處理文本數據時，經常需要將文本從一種編碼格式轉換為另一種編碼格式。這可能涉及到將文本從Unicode轉換為其他編碼（如UTF-8、ASCII等），或者將文本從其他編碼轉換為Unicode。codecs模塊提供了一種簡單而一致的方式來執行這些編碼和解碼操作。

以下是codecs模塊的一些主要特性和功能：

編碼和解碼函數：codecs模塊提供了一組函數，如codecs.encode()和codecs.decode()，用于執行字符編碼和解碼操作。這些函數接受輸入文本和目標編碼格式作為參數，并返回編碼或解碼后的文本。

多種編碼支持：codecs模塊支持許多常見的字符編碼格式，包括ASCII、UTF-8、UTF-16、UTF-32等。它還提供了對其他編碼格式的支持，如Base64、Quoted-Printable、ROT13等。

錯誤處理：在進行字符編碼和解碼時，可能會出現無法處理的字符或編碼錯誤。codecs 模塊允許指定不同的錯誤處理策略，以處理這些錯誤情況。例如，可以選擇忽略無法處理的字符，替換它們或引發異常。

使用codecs模塊，可以便捷地進行不同編碼之間的轉換，處理文本數據的編碼問題，并確保數據在不同環境中正確地傳輸和解釋。

4. 項目實施中字符集轉換介紹

以TERADATA(TD)數據庫遷移到高斯數據庫為例，一般TD數據庫默認是使用latin1的字符集，而應用一般使用中文GBK字符集在TD數據庫中存儲數據，所以當從TD數據庫遷移到其他數據庫時，應該以GBK字符集作為源數據庫字符集。

數據遷移主要流程如下：

■從TD數據庫中導出數據并以GBK字符集落地為數據文件。

■將GBK數據文件轉換為UTF8文件。

■將UTF8數據文件導入到高斯數據庫（高斯數據庫的外表加載也可以將GBK字符集轉換為UTF8字符集，在此不做討論）

某證券公司的業務表部分示例數據如下，從TD數據庫中導出的數據是GBK字符集，數據中有3個字段，字段分隔符為：||，數據的第三個字段是中文。在遷移過程中中文字段可能會存在亂碼，所以在使用不同的字符集轉換方式后其轉換的結果也會有所不同。

示例數據中第一行的第三個中文字段有亂碼，正確的數據如下：

G000A||10000||廣東省廣州市天河區天河北路437號

E000D||20000||上海市浦東新區來安路685號

Q000D||20000||山東省青島市嶗山區仙霞嶺路17~21號

第一行中文字段的GBK十六進制編碼如下：

數據中“州”字的GBK編碼：D6 DD，但是實際的數據中由于某種原因造成D6丟失，由于GBK是雙字節編碼，所以DD和后面的字節（CA）重新組成了另一個漢字：菔，而以此類推后面的漢字，每兩個字節組成一個漢字，但B7 34在GBK編碼中不能組成漢字，34在GBK編碼中是：4，也正是“437號”中的“4”。

當使用iconv轉換此帶有亂碼的GBK文件時，效果如下所示。

iconv系統內核版本、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

轉換命令如下：

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

所以經過iconv轉換后，B7和34不能組成漢字，所以B7被丟棄，而實際的內容如下：

G000A||10000||廣東省廣菔刑旌憂旌穎甭437號

E000D||20000||上海市浦東新區來安路685號

Q000D||20000||山東省青島市嶗山區仙霞嶺路17~21號

當python程序使用內置庫codecs進行代碼轉換后，可以有2個參數選項errors='replace'和errors='ignore'，‘replace’表示當出現亂碼后可以把亂碼替換成“？”，而'ignore'表示當出現亂碼后，會把亂碼丟棄（和iconv特性相同）。

當使用codecs做代碼轉換時，使用'replace'參數，部分代碼如下：

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

轉換后的結果如下：

G000A||10000||廣東省廣?菔刑旌憂?天河北路437號

E000D||20000||上海市浦東新區來安路685號

Q000D||20000||山東省青島市嶗山區仙霞嶺路17~21號

當使用codecs做代碼轉換時，使用'ignore'參數，部分代碼如下：

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

轉換后的結果如下：

G000A||10000||廣東省廣菔刑旌憂天河北路437號

E000D||20000||上海市浦東新區來安路685號

Q000D||20000||山東省青島市嶗山區仙霞嶺路17~21號

5. 總結

■　iconv 2.17版本就是根據glibc庫進行字符集轉換，不能轉換的就丟棄，且當文件中有半個字節丟失后，后面轉換的中文字符很可能是不準確的。如在本示例中，遇到亂碼后，最終轉換的字符為：“菔刑旌憂旌穎甭437號”

■　Python的內置庫codecs對中文轉換時采用一種“轉換最多中文字符”的策略，所以codecs在本示例中，遇到亂碼后，最終轉換的字符為：“菔刑旌憂天河北路437號”。

6. Python程序示例

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


## 定義常量
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數據文件(使用codecs庫)
        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數據文件{0},報錯信息{1},程序異常退出!!".format(fileGbkAPName,e))
        sys.exit(-1)


    tmpGbkCont = gbkFileStream.readlines()


    # 轉換為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)


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


    gbkFileStream.close()
    utf8FileStream.close()


if __name__ == '__main__':
    main()
else:
    print("程序執行非法調用，異常退出！！")
    sys.exit(-1)