【迁移ORACLE数据到MogDB/openGauss时的字符集问题】

一、问题概述

ORACLE数据库在存储数据的时候，有时候会存在这样一种现象，一张表里的数据，既存在UTF8字符的，也存在GBK字符的，同时还有可能存在乱码数据。

NLS_CHARACTERSET是数据库字符集，NLS_NCHAR_CHARACTERSET是国家字符集，NLS_LANG 是 Oracle 数据库客户端的一个环境变量。

这种问题在于ORACLE对于规定了一种字符集后，对于插入的数据并没有强校验（garbage-in–garbage-out）。但是对于PG系的数据库，数据库的字符集在最开始创建数据库的时候就指定了，而且一般情况下其中的表数据受字符集的严格校验（SQL_ASCII除外）。

这也就导致了，原本是什么类型的字符正常可以导入到对应的字符集的库里，而原本直接存入ORACLE库里的和表原本的字符集不匹配的其他类型的字符可能无法转换，此外乱码数据可能直接不能转换到PG系的库里。（ORACLE数据库可以存储乱码数据，PG系数据库有严格校验）

一些常见场景如下：

1）如果恰巧数据库的字符集也是UTF8, 那么Oracle就不作任何转换直接插入到数据中.

2）如果指定NLS_LANG是utf8, 但是输入的却是zhs16gbk的编码, 那么Oracle也会不作任何转换, 将ZHS16GBK的字符编码直接存入数据库

3）如果数据库的字符是AL32UTF8, 您指定NLS_LANG为ZHS16GBK, 但是, 您真正输入的是UTF8的字符, 那么,Oracle会把您输入的UTF8字符当作ZHS16GBK字符转换为UTF8存入数据库. 这种情况会出现乱码。

4）工具（putty/securecrt等等各种SSH客户端等等）设置的字符集可能导致乱码或者编码转换，客户端字符集 NLS_LANG 和 个人工具显示的字符集应该一致。

二、问题处理方案

1、使用SQL_ASCII字符集的数据库

如果不考虑中文显示以及乱码显示，可以直接在目标端建一个SQL_ASCII字符集的数据库，那么所有的数据均可以导入到新的PG系的数据库里，这样就不会有编码转换。这个设置基本不用来声明所使用的编码，因为此声明会忽略编码。在大多数情况下，如果使用了任何非ASCII数据，那么我们不建议使用SQL_ASCII，因为openGauss/MogDB无法转换或者校验非ASCII字符。

2.根据原库的编码，创建相同字符集编码的数据库

ORACLE在创建数据库的时候，需要指定字符集。虽然上述的一些原因导致ORACLE在指定了一种字符集的数据库后，还可能存在其他类型的字符和乱码数据，但这明显是不符合规范的，因为抛开其他类型的数据，单单乱码数据就不能算作有效数据，而且其他类型的数据，属于违反了最初的规划，也不能算作正常的数据。

因为不同的字符类型，对应存储的不同的字节长度是不一样的，例如一个汉字，在UTF8里存储为3位字节，而在GBK里存储为2个字节。

比如一个“你”字，用UTF-8存储在ORACLE数据里，是占用3个字节,是“\xe4bda0”
而用GBK存储在ORACLE数据里，是占用2个字节，是“\xc4e3”

所以长度是不一致的，在它转换到PG系的数据库里时，如果不能分辨出对应的是哪种类型的字符的话，只根据固定的一种类型的字符集的话，会存在部分数据的编码无法转换，在使用MTK（云和恩墨的迁移工具）迁移数据的时候，可能类似于这种的报错。

对于这种报错，因为本身在原库写入的时候就存在问题，如果数据库层大量修正的话，会耗费很大精力，因此，建议规范处理流程，仅根据数据库的字符集迁移“正确”的数据，其余的有问题的数据，可以在迁移过程找到对应的位置，或者进一步判断出该类数据原本应该属于什么样的字符集，然后这些问题数据让应用自行修正。

（1）查询存储的编码

在遇到问题数据的时候，我们可以根据其他正常的列，定位到对应的数据行，使用ORACLE的dump函数，查看其在ORACLE数据库里存储的编码格式

select dump(sms_content,1016) code,sms_content from  tab_xxx where mo_id=‘123123123132312’
 
CODE						   SMS_CONTENT
-------------------------------------------------- ----------------------------------------------------------------------------------------------------
Typ=1 Len=64 CharacterSet=ZHS16GBK: 78,20,20,20,20 x             :(；                    "“           ￥    ”€“"
,20,20,20,20,20,20,20,20,20,3a,28,a3,bb,20,20,20,2
0,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,
22,a1,b0,20,20,20,20,20,20,20,20,20,20,20,a3,a4,20
,20,20,20,a1,b1,80,a1,b0,22

（2）根据函数或者工具检验出真实的字符编码

然后可以把有问题的数据对应的编码，根据不同位数进行转换，看转换的数据是否是正常可读的数据，原本最开始查询的数据不用额外关注，因为可能受本地终端字符集的影响，可能本身存储的是正常的，例如，我查询到了问题列的数据导出的结果是如下。

取出部分编码，进行转换，"\xe59089e69e97"根据GBK按照两位字节的形式进行转换，得到的是“鍚夋灄”，而根据UTF-8的类型进行转换，得到的是“吉林”。因此原本这条数据本身应该是UTF-8的字符集。

可以使用相关函数进行转换，也可以使用相关在线工具，例如：字符 编码/解码 - 在线工具

postgres=# select convert_from(decode('e59089e69e97','hex')::bytea,'utf-8');
 convert_from 
--------------
 吉林
(1 row)

而本身这条数据正确显示的时候，应该为

根据此类方法，以及对业务数据的了解，可以分辨出原本数据应该属于的字符集类型和非乱码的数据。

（3）MTK迁移过程需要处理的部分

手动使用COPY处理

因为MTK迁移的过程可以指定每批次导入数据的条数，在导入数据存在此类字符集编码问题的时候，我们一般会带上igErrorData参数，会把有问题的整个批次的数据全部回滚，而其余数据继续入库。
这个参数会在回滚那个问题批次数据的同时，把这个批次的数据记录到错误文件里，产生csv文件.

需要注意的是，这个csv是MTK分的迁移批次，每个批次的数据条数是一致的，可能在这一个批次里，仅存在一条问题数据，但它会把整个批次的数据全部放到csv里。可以先自行查看csv筛出问题数据，或者定位问题数据。

这个时候，我们关注的是这个csv里的正常数据，这个csv可以使用copy命令进行绕入。问题数据也可以暂时性先倒入，但是我们不关注因为字符集问题导致的查询乱码现象。

后续可以使用openGauss/MogDB的copy带有的COMPATIBLE_ILLEGAL_CHARS参数，这个参数允许导入非法字符容错参数。此语法仅对COPY FROM导入有效。但是在导入这些存在问题的数据的时候，存在一个规则，即对于’\0’，容错后转换为空格，其他非法字符，容错后转换为问号。这部分数据即我们上文提到的属于原库就错误写入的，后续应该让业务修正。

MTK自动处理

MTK（v2.9.4）新增的compatibleIlLegaLChars选项决定了mogdb/openGauss使用MTK迁移过程里，copy是否带COMPATIBLE_ILLEGAL_CHARS选项。

如果开启后，则会直接进行入上述的转换方式，写入数据，当然问题数据需要业务修正。（一般建议手动先产生错误的数据的csv后，定位有问题数据的位置后，再重新做一次自动处理的迁移）