Question

PostgreSQL 能够以各种字符集存储文本，比如 ISO-8859 系列和 EUC(扩展 Unix 编码)、UTF-8 、Mule 国际编码。所有字符集都可以在服务器上透明地使用。如果你使用了来自其它数据源的扩展函数，那么它取决于他们是否正确地书写了代码。缺省的字符集是在使用 initdb 初始化数据库集群的时候选择的。在你创建数据库的时候是可以覆盖这个缺省的。因此，你可以有多个数据库，每个都有不同的字符集。

21.2.1. 支持的字符集编码

表21-1 显示了可以用在服务器的字符集。

表21-1. PostgreSQL 服务器字符集

名字	描述	语言	服务端?	字节/字符	别名
BIG5	大五码	繁体中文	No	1-2	WIN950, Windows950
EUC_CN	扩展UNIX代码-CN	简体中文	Yes	1-3
EUC_JP	扩展UNIX代码-JP	日文	Yes	1-3
EUC_KR	扩展UNIX代码-KR	韩文	Yes	1-3
EUC_TW	扩展UNIX代码-TW	繁体中文，台湾	Yes	1-3
GB18030	国标码	中文	No	1-2
GBK	扩展国标码	简体中文	No	1-2	WIN936, Windows936
ISO_8859_5	ISO 8859-5, ECMA 113	拉丁/西里尔语	Yes	1
ISO_8859_6	ISO 8859-6, ECMA 114	拉丁/阿拉伯语	Yes	1
ISO_8859_7	ISO 8859-7, ECMA 118	拉丁/希腊语	Yes	1
ISO_8859_8	ISO 8859-8, ECMA 121	拉丁/希伯莱语	Yes	1
JOHAB	JOHAB	韩语	Yes	1-3
KOI8	KOI8-R(U)	西里尔语	Yes	1	KOI8R
LATIN1	ISO 8859-1, ECMA 94	西欧语	Yes	1	ISO88591
LATIN2	ISO 8859-2, ECMA 94	中欧语	Yes	1	ISO88592
LATIN3	ISO 8859-3, ECMA 94	南欧语	Yes	1	ISO88593
LATIN4	ISO 8859-4, ECMA 94	北欧语	Yes	1	ISO88594
LATIN5	ISO 8859-9, ECMA 128	土耳其语	Yes	1	ISO88599
LATIN6	ISO 8859-10, ECMA 144	日耳曼语	Yes	1	ISO885910
LATIN7	ISO 8859-13	波罗的海语	Yes	1	ISO885913
LATIN8	ISO 8859-14	凯尔特语	Yes	1	ISO885914
LATIN9	ISO 8859-15	带有欧洲语系和语调的 LATIN1	Yes	1	ISO885915
LATIN10	ISO 8859-16, ASRO SR 14111	罗马尼亚语	Yes	1	ISO885916
MULE_INTERNAL	Mule 国际编码	多语种 Emacs	Yes	1-4
SJIS	Shift JIS	日语	No	1-2	Mskanji, ShiftJIS, WIN932, Windows932
SQL_ASCII	未声明(见文本)	任意	Yes	1
UHC	统一韩语编码	韩语	No	1-2	WIN949, Windows949
UTF8	Unicode, 8-bit	全部	Yes	1-4	Unicode
WIN866	Windows CP866	西里尔语	Yes	1	ALT
WIN874	Windows CP874	泰国语	Yes	1
WIN1250	Windows CP1250	中欧语	Yes	1
WIN1251	Windows CP1251	西里尔语	Yes	1	WIN
WIN1252	Windows CP1252	西欧语	Yes	1
WIN1253	Windows CP1253	希腊语	Yes	1
WIN1254	Windows CP1254	土耳其语	Yes	1
WIN1255	Windows CP1255	希伯来语	Yes	1
WIN1256	Windows CP1256	阿拉伯语	Yes	1
WIN1257	Windows CP1257	波罗的语	Yes	1
WIN1258	Windows CP1258	越南语	Yes	1	ABC, TCVN, TCVN5712, VSCII

并非所有API都支持上面列出的编码。比如，PostgreSQL JDBC驱动就不支持 MULE_INTERNAL, LATIN6, LATIN8, LATIN10 。

SQL_ASCII 设置与其它设置表现得相当不同。如果服务器字符集是 SQL_ASCII ，服务器把字节值 0-127 的数值根据 ASCII 标准解析，而字节值 128-255 的则当作未解析的字符。如果设置为 SQL_ASCII 就不会有编码转换。因此，这个设置基本不用来声明所使用的编码，因为这个声明会忽略编码。在大多数情况下，如果你使用了任何非 ASCII 数据，那么使用 SQL_ASCII 设置都是不明智的，因为 PostgreSQL 会无法帮助你转换或者校验非 ASCII 字符。

21.2.2. 设置字符集

initdb 为一个 PostgreSQL 集群定义缺省的字符集，比如：

initdb -E EUC_JP

把缺省字符集设置为 EUC_JP(用于日文的扩展 Unix 编码)。如果你喜欢用长选项声明的话，可以用 --encoding 代替 -E 选项。如果没有给出 -E 或 --encoding 选项，initdb 将基于制定的区域或者缺省区域试图判断合适的编码。

你可以创建一个有着不同编码的数据库：

createdb -E EUC_KR korean

将创建一个使用 EUC_KR 字符集的名字叫 korean 的数据库。另外一种实现方法是使用 SQL 命令：

CREATE DATABASE korean WITH ENCODING 'EUC_KR';

数据库的编码是存储在 pg_database 系统表中的。你可以用 psql 的 -l 选项或 \l 命令列出这些编码。

$ psql -l
            List of databases
   Database    |  Owner  |   Encoding    
---------------+---------+---------------
 euc_cn        | t-ishii | EUC_CN
 euc_jp        | t-ishii | EUC_JP
 euc_kr        | t-ishii | EUC_KR
 euc_tw        | t-ishii | EUC_TW
 mule_internal | t-ishii | MULE_INTERNAL
 postgres      | t-ishii | EUC_JP
 regression    | t-ishii | SQL_ASCII
 template1     | t-ishii | EUC_JP
 test          | t-ishii | EUC_JP
 utf8          | t-ishii | UTF8
(9 rows)

【重要】虽然你可以给一个数据库声明你需要的任何编码，但选择一个与你选择的区域不一致的编码还是不妥的做法。LC_COLLATE 和 LC_CTYPE 设置暗示一个特定的编码，与区域相关的操作(比如排序)在不兼容的编码里很有可能产生错误的解析。

因为这些区域设置都是由 initdb 冻结的，所以在不同的数据库里使用不同的编码更多是理论而不是现实。这些机制很有可能在将来版本的 PostgreSQL 得到改进。

一个安全使用多种编码的方法是在 initdb 的时候把区域设置为 C 或 POSIX ，这样就关闭了任何实际的区域敏感性。

21.2.3. 服务器和客户端之间的自动字符集转换

PostgreSQL 支持在服务器和前端之间的自动编码转换。转换信息在系统表 pg_conversion 中存储。PostgreSQL 带着一些预定义的转换。它们在表21-2中列出。你可以使用 SQL 命令 CREATE CONVERSION 创建一个新的转换。

表21-2. 客户/服务器字符集转换

服务器字符集	可用客户端字符集
BIG5	不支持做服务器端编码
EUC_CN	EUC_CN, MULE_INTERNAL, UTF8
EUC_JP	EUC_JP, MULE_INTERNAL, SJIS, UTF8
EUC_KR	EUC_KR, MULE_INTERNAL, UTF8
EUC_TW	EUC_TW, BIG5, MULE_INTERNAL, UTF8
GB18030	不支持做服务器端编码
GBK	不支持做服务器端编码
ISO_8859_5	ISO_8859_5, KOI8, MULE_INTERNAL, UTF8, WIN866, WIN1251
ISO_8859_6	ISO_8859_6, UTF8
ISO_8859_7	ISO_8859_7, UTF8
ISO_8859_8	ISO_8859_8, UTF8
JOHAB	JOHAB, UTF8
KOI8	KOI8, ISO_8859_5, MULE_INTERNAL, UTF8, WIN866, WIN1251
LATIN1	LATIN1, MULE_INTERNAL, UTF8
LATIN2	LATIN2, MULE_INTERNAL, UTF8, WIN1250
LATIN3	LATIN3, MULE_INTERNAL, UTF8
LATIN4	LATIN4, MULE_INTERNAL, UTF8
LATIN5	LATIN5, UTF8
LATIN6	LATIN6, UTF8
LATIN7	LATIN7, UTF8
LATIN8	LATIN8, UTF8
LATIN9	LATIN9, UTF8
LATIN10	LATIN10, UTF8
MULE_INTERNAL	MULE_INTERNAL, BIG5, EUC_CN, EUC_JP, EUC_KR, EUC_TW, ISO_8859_5, KOI8, LATIN1 to LATIN4, SJIS, WIN866, WIN1250, WIN1251
SJIS	不支持做服务器端编码
SQL_ASCII	任意(不会发生编码转换)
UHC	不支持做服务器端编码
UTF8	所有支持的编码
WIN866	WIN866, ISO_8859_5, KOI8, MULE_INTERNAL, UTF8, WIN1251
WIN874	WIN874, UTF8
WIN1250	WIN1250, LATIN2, MULE_INTERNAL, UTF8
WIN1251	WIN1251, ISO_8859_5, KOI8, MULE_INTERNAL, UTF8, WIN866
WIN1252	WIN1252, UTF8
WIN1253	WIN1253, UTF8
WIN1254	WIN1254, UTF8
WIN1255	WIN1255, UTF8
WIN1256	WIN1256, UTF8
WIN1257	WIN1257, UTF8
WIN1258	WIN1258, UTF8

要想打开自动字符集转换功能，你必须告诉 PostgreSQL 你想在客户端使用的字符集(编码)。你可以用好几种方法实现这个目的。

• 用 psql 里的 \encoding 命令。\encoding 允许你动态修改客户端编码。比如，把编码改变为 SJIS ，键入：

  \encoding SJIS

• 使用 libpq 函数。\encoding 在做此用途的时候实际上是调用了 PQsetClientEncoding() 函数。

  int PQsetClientEncoding(PGconn *conn, const char *encoding);

  这里的 conn 是一个与服务器的连接，encoding 是你想用的编码。如果编码设置成功它返回 0 ，否则返回 -1 。本次连接的当前编码可以用下面函数显示：

  int PQclientEncoding(const PGconn *conn);

  请注意它只返回编码的 ID ，而不是像 EUC_JP 这样的编码符号字符串。要把编码 ID 转换为编码符号，你可以用：

  char *pg_encoding_to_char(int encoding_id);

• 可以用 SQL 命令 SET client_encoding TO 设置客户端编码：

  SET CLIENT_ENCODING TO 'value';

  你还可以把 SQL 语法里的 SET NAMES 用于这个目的：

  SET NAMES 'value';

  查询当前客户端编码：

  SHOW client_encoding;

  返回缺省编码：

  RESET client_encoding;

• 使用 PGCLIENTENCODING 。如果在客户端的环境里定义了 PGCLIENTENCODING 环境变量，那么在与服务器进行连接时将自动选择客户端编码。这个编码随后可以用上面谈到的任何其它方法覆盖。

• 使用 client_encoding 配置变量。如果在 client_encoding 里设置了该变量，那么在与服务器建立了连接之后，这个客户端编码将自动选定。这个设置随后可以被上面提到的其它方法覆盖。

假如无法进行特定的字符转换，比如，你选的服务器编码是 EUC_JP 而客户端是 LATIN1 ，那么有些日文字符不能转换成 LATIN1 。这时将报告错误。

如果客户端字符集定义成了 SQL_ASCII ，那么编码转换会被关闭，不管服务器的字符集是什么都一样。和服务器一样，除非你的工作环境全部是 ASCII 数据，否则使用 SQL_ASCII 是不明智的。

21.2.4. 进一步阅读

下面是学习各种类型的编码系统的好地方。

http://www.i18ngurus.com/docs/984813247.html

一整套有关字符集，编码以及代码页的文档。

ftp://ftp.ora.com/pub/examples/nutshell/ujip/doc/cjk.inf

详细地解释了第3.2节出现的 EUC_JP, EUC_CN, EUC_KR, EUC_TW 编码。

http://www.unicode.org/

Unicode 的主页。

RFC 2044

UTF-8 的定义。