Недавно мы переместили нашу базу данных mysql с Latin1 на UTF8. несколько различных подходов к его преобразованию, мы не смогли найти ни одного, который также не привел бы к довольно неприятным потерям данных (а многие просто ничего не сделали).
Это заставило меня задуматься, много ли у нас разных кодировок, поскольку там не кажется, что это единый подход, который охватывает наши тестовые случаи (различные сообщения в нашей базе данных). Чтобы проверить эту теорию, я написал небольшое приложение на Scala (мое первое, не стесняйтесь высмеивать, насколько оно продумано и неидиоматично есть!: D), который использовал chardet, чтобы просмотреть сообщения и сообщить мне кодировку.
Только одна проблема, всегда все в UTF8.
Вот код:
package main.scala
import org.mozilla.universalchardet.UniversalDetector
import java.sql.DriverManager
object DBConvert {
def main(args: Array[String]) {
val detector = new UniversalDetector(null)
val db_conn_str = "jdbc:mysql://localhost:3306/mt_pre?user=root"
val connection = DriverManager.getConnection(db_conn_str)
try {
val statement = connection.createStatement()
val rs = statement.executeQuery("SELECT * FROM mt_entry where entry_id = 3886")
while (rs.next) {
val buffer = rs.getBytes("entry_text_more")
detector.handleData(buffer, 0, buffer.length)
detector.dataEnd()
val encoding:String = detector.getDetectedCharset;
if (encoding != null) println("Detected encoding = " + encoding) else println("No encoding detected.");
detector.reset();
// Just so we can see the output
println(rs.getString("entry_text_more"))
}
} catch {
case _ => e: Exception => println(e.getMessage)
}
finally {
connection.close()
}
}
}
Я попытался передать useUnicode строку запроса JDBC, а также characterEncoding. Ни один из них не сдвинулся с места, UTF-8 всегда выходит. Также пробовал использовать getBinaryStream и другие, все еще UTF-8.
Полностью признаю, что кодирование символов заставляет меня немного наклоняться, и игра с новым языком может быть не лучшим способом решения этой проблемы. :) Тем не менее, мне любопытно - есть ли способ получить данные из базы данных и определить, в какой кодировке они были помещены, или это одна из тех вещей, которые просто потому, что они закодированы как UTF-8 в БД , независимо от того, как вы его получите, это именно то, что есть (забавные персонажи и все такое)?
Спасибо!