PostgreSQL 7.0.1 multi-byte (MB) support README May 20 2000 Tatsuo Ishii ishii@postgresql.org http://www.sra.co.jp/people/t-ishii/PostgreSQL/ [註] 1. 感謝石井達夫 (Tatsuo Ishii) 先生! 2. 註釋部份原文所無, 中譯若有錯誤, 請聯絡 cch@cc.kmu.edu.tw 0. 簡介 MB 支援是為了讓 PostgreSQL 能處理多位元組字元 (multi-byte character), 例如: EUC (Extended Unix Code), Unicode (統一碼) 和 Mule internal code (多國語言內碼). 在 MB 的支援下, 你可以在正規表示式 (regexp), LIKE 及 其他一些函式中使用多位元組字元. 預設的編碼系統可取決於你安裝 PostgreSQL 時的 initdb(1) 命令, 亦可由 createdb(1) 命令或建立資料庫的 SQL 命令決定. 所以你可以有多個不同編碼系統的資料庫. MB 支援也解決了一些 8 位元單位元組字元集 (包含 ISO-8859-1) 的相關問題, (我並沒有說所有的相關問題都解決了, 我只是確認了迴歸測試執行成功, 而一些法語字元在 MB 修補下可以使用. 如果你在使用 8 位元字元時發現了 任何問題, 請通知我) 1. 如何使用 編譯 PostgreSQL 前, 執行 configure 時使用 multibyte 的選項 % ./configure --enable-multibyte[=encoding_system] % ./configure --enable-multibyte[=編碼系統] 其中的編碼系統可以指定為下面其中之一: SQL_ASCII ASCII EUC_JP Japanese EUC EUC_CN Chinese EUC EUC_KR Korean EUC EUC_TW Taiwan EUC UNICODE Unicode(UTF-8) MULE_INTERNAL Mule internal LATIN1 ISO 8859-1 English and some European languages LATIN2 ISO 8859-2 English and some European languages LATIN3 ISO 8859-3 English and some European languages LATIN4 ISO 8859-4 English and some European languages LATIN5 ISO 8859-5 English and some European languages KOI8 KOI8-R WIN Windows CP1251 ALT Windows CP866 例如: % ./configure --enable-multibyte=EUC_JP 如果省略指定編碼系統, 那麼預設值就是 SQL_ASCII. 2. 如何設定編碼 initdb 命令定義 PostgresSQL 安裝後的預設編碼, 例如: % initdb -E EUC_JP 將預設的編碼設定為 EUC_JP (Extended Unix Code for Japanese), 如果你喜歡 較長的字串, 你也可以用 "--encoding" 而不用 "-E". 如果沒有使用 -E 或 --encoding 的選項, 那麼編繹時的設定會成為預設值. 你可以建立使用不同編碼的資料庫: % createdb -E EUC_KR korean 這個命令會建立一個叫做 "korean" 的資料庫, 而其採用 EUC_KR 編碼. 另外有一個方法, 是使用 SQL 命令, 也可以達到同樣的目的: CREATE DATABASE korean WITH ENCODING = 'EUC_KR'; 在 pg_database 系統規格表 (system catalog) 中有一個 "encoding" 的欄位, 就是用來紀錄一個資料庫的編碼. 你可以用 psql -l 或進入 psql 後用 \l 的 命令來查看資料庫採用何種編碼: $ 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 regression | t-ishii | SQL_ASCII template1 | t-ishii | EUC_JP test | t-ishii | EUC_JP unicode | t-ishii | UNICODE (9 rows) 3. 前端與後端編碼的自動轉換 [註: 前端泛指客戶端的程式, 可能是 psql 命令解譯器, 或採用 libpq 的 C 程式, Perl 程式, 或者是透過 ODBC 的視窗應用程式. 而後端就是指 PostgreSQL 資料庫的伺服程式] PostgreSQL 支援某些編碼在前端與後端間做自動轉換: [註: 這裡所謂的自動 轉換是指你在前端及後端所宣告採用的編碼不同, 但只要 PostgreSQL 支援這 兩種編碼間的轉換, 那麼它會幫你在存取前做轉換] encoding of backend available encoding of frontend -------------------------------------------------------------------- EUC_JP EUC_JP, SJIS EUC_TW EUC_TW, BIG5 LATIN2 LATIN2, WIN1250 LATIN5 LATIN5, WIN, ALT MULE_INTERNAL EUC_JP, SJIS, EUC_KR, EUC_CN, EUC_TW, BIG5, LATIN1 to LATIN5, WIN, ALT, WIN1250 在啟動自動編碼轉換之前, 你必須告訴 PostgreSQL 你要在前端採用何種編碼. 有好幾個方法可以達到這個目的: o 在 psql 命令解譯器中使用 \encoding 這個命令 \encoding 這個命令可以讓你馬上切換前端編碼, 例如, 你要將前端編碼切換為 SJIS, 那麼請打: \encoding SJIS o 使用 libpq [註: PostgreSQL 資料庫的 C API 程式庫] 的函式 psql 的 \encoding 命令其實只是去呼叫 PQsetClientEncoding() 這個函式來達到目的. int PQsetClientEncoding(PGconn *conn, const char *encoding) 上式中 conn 這個參數代表一個對後端的連線, encoding 這個參數要放你想用的編碼, 假如它成功地設定了編碼, 便會傳回 0 值, 失敗的話傳回 -1. 至於目前連線的編碼可 利用以下函式查知: int PQclientEncoding(const PGconn *conn) 這裡要注意的是: 這個函式傳回的是編碼的代號 (encoding id, 是個整數值), 而不是編碼的名稱字串 (如 "EUC_JP"), 如果你要由編碼代號得知編碼名稱, 必須呼叫: char *pg_encoding_to_char(int encoding_id) o 使用 PGCLIENTENCODING 這個環境變數 如果前端底設定了 PGCLIENTENCODING 這一個環境變數, 那麼後端會做編碼自動轉換. [註] PostgreSQL 7.0.0 ~ 7.0.3 有個 bug -- 不認這個環境變數 o 使用 SET CLIENT_ENCODING TO 這個 SQL 的命令 要設定前端的編碼可以用以下這個 SQL 命令: SET CLIENT_ENCODING TO 'encoding'; 你也可以使用 SQL92 的語法 "SET NAMES" 達到同樣的目的: SET NAMES 'encoding'; 查詢目前的前端編碼可以用以下這個 SQL 命令: SHOW CLIENT_ENCODING; 切換為原來預設的編碼, 用以下這個 SQL 命令: RESET CLIENT_ENCODING; [註] 使用 psql 命令解譯器時, 建議不要用這個方法, 請用 \encoding 4. 關於 Unicode (統一碼) 統一碼和其他編碼間的轉換可能要在 7.1 版後才會實現. 5. 如果無法轉換會發生什麼事? 假設你在後端選擇了 EUC_JP 這個編碼, 前端使用 LATIN1, (某些日文字元無法轉換成 LATIN1) 在這個狀況下, 某個字元若不能轉成 LATIN1 字元集, 就會被轉成以下的型式: (十六進位值) 6. 參考資料 These are good sources to start learning various kind of encoding systems. ftp://ftp.ora.com/pub/examples/nutshell/ujip/doc/cjk.inf Detailed explanations of EUC_JP, EUC_CN, EUC_KR, EUC_TW appear in section 3.2. Unicode: http://www.unicode.org/ The homepage of UNICODE. RFC 2044 UTF-8 is defined here. 5. History May 20, 2000 * SJIS UDC (NEC selection IBM kanji) support contributed by Eiji Tokuya * Changes above will appear in 7.0.1 Mar 22, 2000 * Add new libpq functions PQsetClientEncoding, PQclientEncoding * ./configure --with-mb=EUC_JP now deprecated. use ./configure --enable-multibyte=EUC_JP instead * Add SQL_ASCII regression test case * Add SJIS User Defined Character (UDC) support * All of above will appear in 7.0 July 11, 1999 * Add support for WIN1250 (Windows Czech) as a client encoding (contributed by Pavel Behal) * fix some compiler warnings (contributed by Tomoaki Nishiyama) Mar 23, 1999 * Add support for KOI8(KOI8-R), WIN(CP1251), ALT(CP866) (thanks Oleg Broytmann for testing) * Fix problem with MB and locale Jan 26, 1999 * Add support for Big5 for fronend encoding (you need to create a database with EUC_TW to use Big5) * Add regression test case for EUC_TW (contributed by Jonah Kuo ) Dec 15, 1998 * Bugs related to SQL_ASCII support fixed Nov 5, 1998 * 6.4 release. In this version, pg_database has "encoding" column that represents the database encoding Jul 22, 1998 * determine encoding at initdb/createdb rather than compile time * support for PGCLIENTENCODING when issuing COPY command * support for SQL92 syntax "SET NAMES" * support for LATIN2-5 * add UNICODE regression test case * new test suite for MB * clean up source files Jun 5, 1998 * add support for the encoding translation between the backend and the frontend * new command SET CLIENT_ENCODING etc. added * add support for LATIN1 character set * enhance 8 bit cleaness April 21, 1998 some enhancements/fixes * character_length(), position(), substring() are now aware of multi-byte characters * add octet_length() * add --with-mb option to configure * new regression tests for EUC_KR (contributed by "Soonmyung. Hong" ) * add some test cases to the EUC_JP regression test * fix problem in regress/regress.sh in case of System V * fix toupper(), tolower() to handle 8bit chars Mar 25, 1998 MB PL2 is incorporated into PostgreSQL 6.3.1 Mar 10, 1998 PL2 released * add regression test for EUC_JP, EUC_CN and MULE_INTERNAL * add an English document (this file) * fix problems concerning 8-bit single byte characters Mar 1, 1998 PL1 released Appendix: [Here is a good documentation explaining how to use WIN1250 on Windows/ODBC from Pavel Behal. Please note that Installation step 1) is not necceary in 6.5.1 -- Tatsuo] Version: 0.91 for PgSQL 6.5 Author: Pavel Behal Revised by: Tatsuo Ishii Email: behal@opf.slu.cz Licence: The Same as PostgreSQL Sorry for my Eglish and C code, I'm not native :-) !!!!!!!!!!!!!!!!!!!!!!!!! NO WARRANTY !!!!!!!!!!!!!!!!!!!!!!!!!!!!!! Instalation: ------------ 1) Change three affected files in source directories (I don't have time to create proper patch diffs, I don't know how) 2) Compile with enabled locale and multibyte set to LATIN2 3) Setup properly your instalation, do not forget to create locale variables in your profile (environment). Ex. (may not be exactly true): LC_ALL=cs_CZ.ISO8859-2 LC_COLLATE=cs_CZ.ISO8859-2 LC_CTYPE=cs_CZ.ISO8859-2 LC_MONETARY=cs_CZ.ISO8859-2 LC_NUMERIC=cs_CZ.ISO8859-2 LC_TIME=cs_CZ.ISO8859-2 4) You have to start the postmaster with locales set! 5) Try it with Czech language, it have to sort 5) Install ODBC driver for PgSQL into your M$ Windows 6) Setup properly your data source. Include this line in your ODBC configuration dialog in field "Connect Settings:" : SET CLIENT_ENCODING = 'WIN1250'; 7) Now try it again, but in Windows with ODBC. Description: ------------ - Depends on proper system locales, tested with RH6.0 and Slackware 3.6, with cs_CZ.iso8859-2 loacle - Never try to set-up server multibyte database encoding to WIN1250, always use LATIN2 instead. There is not WIN1250 locale in Unix - WIN1250 encoding is useable only for M$W ODBC clients. The characters are on thy fly re-coded, to be displayed and stored back properly Important: ---------- - it reorders your sort order depending on your LC_... setting, so don't be confused with regression tests, they don't use locale - "ch" is corectly sorted only in some newer locales (Ex. RH6.0) - you have to insert money as '162,50' (with comma in aphostrophes!) - not tested properly