解决Python中读Oracle数据库的中文编码问题

一、编码

字符是各种文字和符号的总称，包括各个国家文字、标点符号、图形符号、数字等。字符集是多个字符的集合，字符集种类较多，每个字符集包含的字符个数不同，常见字符集有：ASCII字符集、ISO 8859字符集、GB2312字符集、BIG5字符集、GB18030字符集、Unicode字符集等。计算机要准确的处理各种字符集文字，需要进行字符编码，以便计算机能够识别和存储各种文字。

1、ASCII

ASCII(American Standard Code for Information Interchange)，是一种单字节的编码。计算机世界里一开始只有英文，而单字节可以表示256个不同的字符，可以表示所有的英文字符和许多的控制符号。

2、GB2312，GBK和GB18030

（1）GB2312

当中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存，于是GB2312 是对 ASCII 的中文扩展。兼容ASCII。

（2）GBK

但是中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，不得不继续把 GB2312 没有用到的码位找出来用上。后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 “GBK” 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。

（3）GB18030

后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK 扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。

3、Unicode

后来，有人开始觉得太多编码导致世界变得过于复杂了，让人脑袋疼，于是大家坐在一起拍脑袋想出来一个方法，国际组织制定了 UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。

目前计算机一般使用 2 个字节（16 位）来存放一个序号（DBCS,Double Byte Character System），因此，这种方式存放的字符也被称作宽字节字符。比如，字符串 “中文123” 在 Windows 2000 下，内存中实际存放的是 5 个序号，一共10个字节。

4、UTF-8

Unicode是内存编码表示方案（是规范），而UTF是如何保存和传输Unicode的方案（是实现）。UTF-8作为一种常用的字符编码，是变长的，最多是使用3个字节来表示一个字符。

二、Oracle编码

查询Oracle Server端的字符集：

有很多种方法可以查出oracle server端的字符集，比较直观的查询方法是以下这种:

SQL>select userenv(‘language’) from dual;

结果如下:AMERICAN _ AMERICA. ZHS16GBK。

三、Python读取数据库

# -*- coding: utf-8 -*-

import pandas as pd
import cx_Oracle

conn = cx_Oracle.connect("c##Badrain/person@localhost:1521/orclavip")
cursor = conn.cursor ()

sql = "select * from table_test"
cursor.execute(sql)
rows = cursor.fetchall()

#rows[0][1] = rows[0][1].encode('utf8')

data = pd.DataFrame(rows,columns=['id','text'])
print data

输出结果为乱码：

id  text
0  1   �Ϻ�
1  2  ����

因为我们pythonIDE中的字符集默认是UTF-8。

如果要正确输出，我们需要首先对读入的字符串以GBK编码形式进行解码然后再以UTF-8形式进行编码：

text = data.loc[:,'text']
text = pd.Series([text[item].decode('GBK').encode('UTF-8') for item in text])

data.loc[:,'text'] = text
print data

得到正确结果：

id text
0  1   上海
1  2   杭州

四、配置环境变量

如果仅仅是安装了Oracle，却没有在环境变量中进行相应的配置，那么可能发生各种各样的错误。

比如这样的：

shopid dishid dishname  price  score
dishid
4383    1591234189   4383     ????   22.0    6.0
4391    1591234189   4391     ????   18.0    9.0

无论我怎么改编码的读写选项，都解决不了，最后就是环境变量的配置问题。

变量名叫 NLS_LANG。
变量值 SIMPLIFIED CHINESE_CHINA.ZHS16GBK
说明：这里，请大家直接复制上面的变量值。
具体配置界面见下图：