暂无图片
暂无图片
9
暂无图片
暂无图片
暂无图片

MogDB 对于生僻字的存储和显示:㼆 㱔 䶮 𬎆(王莹)

原创 eygle 2021-10-11
4894

最近在云和恩墨大讲堂的微信群里,有朋友讨论生僻字的存储,其实无论任何数据库,MogDB 还是 Oracle ,在任何数据库中存储生僻字,其实都和一个因素有关:字符集。

能否正常存储一个字符,首先是要看要存储的字符在数据库的当前字符集中是否能够表达。如果包含在数据库字符集中,则能够正常存储。

但是注意,很多时候,本应正常存储的字符,可能在写入过程中,因为环境问题转换错误,丢失了正确的字符,而出现乱码。

标题中出现的生僻字读音:㼆 yíng ,㱔 suǒ,䶮 yǎn


这里面有一个特殊的字:𬎆(王莹) 。注意,如果你的客户端没有支持的字库,则可能无法看到这个字。

我们看一下 MogDB 的表现,我们使用了墨天轮的实训平台,字符集如下:

enmotech=# select * from v$nls_parameters;
      parameter       |           value            |                                 description                                  
----------------------+----------------------------+------------------------------------------------------------------------------
 lc_collate           | en_US.UTF-8                | Shows the collation order locale.
 lc_ctype             | en_US.UTF-8                | Shows the character classification and case conversion locale.
 lc_messages          | en_US.UTF-8                | Sets the language in which messages are displayed.
 lc_monetary          | en_US.UTF-8                | Sets the locale for formatting monetary amounts.
 lc_numeric           | en_US.UTF-8                | Sets the locale for formatting numbers.
 lc_time              | en_US.UTF-8                | Sets the locale for formatting date and time values.
 nls_timestamp_format | DD-Mon-YYYY HH:MI:SS.FF AM | defines the default timestamp format to use with the TO_TIMESTAMP functions.
 NLS_CHARACTERSET     | UTF8                       | Database/Server encoding
(8 rows)

生僻字的示范:



如果直接贴代码,不支持的客户端可能就看不到其中的部分汉字:

enmotech=# create table mogdb (cname varchar2(10));
CREATE TABLE
enmotech=# 
enmotech=# insert into mogdb values('䶮');
INSERT 0 1
enmotech=# insert into mogdb values('㼆');
INSERT 0 1
enmotech=# insert into mogdb values('𬎆');
INSERT 0 1
enmotech=# select cname,dump(cname) from mogdb;
 cname |       dump        
-------+-------------------
 䶮   | Len=3 e4,b6,ae
 㼆   | Len=3 e3,bc,86
 𬎆  | Len=4 f0,ac,8e,86
(3 rows)

enmotech=# 


我们来进一步解释一下。在很多人的认知里,通常 ”㼆“更容易被正确存入数据库中,E3 BC 86 正是其在 UTF8 字符集下的正确编码。查看字符编码的网站:https://www.qqxiuzi.cn/bianma/zifuji.php



而所谓的生僻字,其实是在 Unicode 统一编码标准中,在后期加入的,以支持更多的字符。

在Unicode中,汉字被划分为以下几个区,以Windows为例给出了支持版本:

基本区:20902字。

扩展A区:6582字。(Windows XP原生支持至此)

扩展B区:42711字。(Windows Vista和Windows 7原生支持至此)

扩展C区:4149字。

扩展D区:222字。(Windows 8、Windows 8.1和Windows 10的早期版本支持至此)

扩展E区:5762字。(Windows 10创意者更新中提供了部分支持)

扩展F区:7473字。(不受支持)


㼆 字位于 A 区,而其简化形态 “王莹”则是位于 E区,大部分系统并不支持。


也就是说,这个字的编码:U+2C386 已经给出,但是对于客户端,如果不支持这个显示,则无法正常展示出来。


所以对于一个字符的支持,是包括数据库和客户端两部分的。现在有些输入法可以打出这些生僻字,但是系统不一定能够支持,也就给使用带来了很多麻烦。



在一些字典上这个字是存在的:

《新华字典》不收[王莹]字考证

对于上面所展示的“王莹”,已经分配了编码,其 UTF-8 编码是 F0AC8E86 ,只要我们将这个编码存入数据库(字符集如果是 AL32UTF8,可以直接存储),剩下的就是看客户端是否支持,如果支持,则查询后可以正常显示,如果不支持则将无法显示,出现一个替代符号或者乱码。

在一些字体网站上,你可以找到支持了各种扩展字体的字库文件,安装之后,就能够展示这些生僻的汉字了。


例如,巴贝斯通汉 就支持了这些扩展区域的字符。



如果你在客户端安装了这个字体,那么如下一个网页,你将能够看到这个汉字“王莹”,我在这里包含了这个字“𬎆”,没有字体支持你就看不到:



理解清楚了字符集,也就能够找到了应对特殊字符的解决方案。


其实很多生僻字都是用在名字中的,没有受过名字的苦,不足以谈人生。我看到很多人在这个事情上遭受的磨难,为了名字能够正常出现,很多网友是穷尽了心力:






所以,我们的IT从业者,将数据库设计好、规划好,就是造福社会和人民了。大家加油!😄

最后修改时间:2022-05-25 14:44:55
「喜欢这篇文章,您的关注和赞赏是给作者最好的鼓励」
关注作者
【版权声明】本文为墨天轮用户原创内容,转载时必须标注文章的来源(墨天轮),文章链接,文章作者等基本信息,否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容,欢迎发送邮件至:contact@modb.pro进行举报,并提供相关证据,一经查实,墨天轮将立刻删除相关内容。

评论