我可以看到一个Python字符串（不是unicode字符串，即u＆＃39;＆＃39;）输入\xe4\xb8\xad\xe6\x96\x87，中文将其存储在Oracle表中后更改为\xe4\xb8\xad\xe6\xbf\xbf其列是使用WE8MSWIN1252字符集的CLOB（VARCHAR），并使用Web框架在Python中检索它。我正在尝试排除故障并了解低级别的情况。
为什么数据库会改变我的输入 - 我认为其中的内容也会出现？
我被告知，＆＃34;这是因为WE8MSWIN1252是单字节系统，它不支持多字节编码＆＃34;。这对我来说有点高级别的解释。多字节仍然是3个字节。那么为什么WE8MSWIN1252系统可以将其分解为3个不同的字节，如果\xe6,\x96 and \x87存储它并留给最终用户来解释它？
单字节编码不能容纳多字节系统是什么意思？我的理解中缺少什么？它的全部是1和0。我们存储位而不是Unicode等 - 这是一个更高级别的抽象？
答案 0 :(得分：2)
编码字符串的重点是你不只存储位，你存储字符串。 Oracle的Choosing a character set文档根据Oracle数据库确切地解释了这意味着什么。
单字节编码只知道如何表示（最多）256个不同的字符。如果你给它一个不同的角色，那就无法表现出来。它应该做什么呢？
您建议的是它应该采用某些其他编码中的表示形式，并假装字节是其自身编码中的字符。这不仅在概念上没有意义，它实际上并不起作用 - 事实上，这正是mojibake的意思。
举一个具体的例子，你有一个WE8MSWIN1252（大致相同的编码Python调用cp1252）字符串列。您想要存储字符串'中文'。没有cp1252，但它有一个UTF-8，它是'\xe4\xb8\xad\xe6\x96\x87'。
那么，如果你只是存储了UTF-8字节，好像它们是cp1252字符呢？嗯，这取决于您的数据库如何定义代码页1252。最后两个字节在原始代码页1252中不是有效字符，但是当前Windows代码页1252确实将它们映射到字符。因此，如果数据库遵循IBM规则，它应该给您一个错误，或者用＆＃34;无效字符替换字节＆＃34;表示（至少对于具有这种事物的编码）; *如果它试图模仿Windows，它应该允许它。**
为了避免这个问题，让我们更简单一点：如果你选择一个完整的256个字符的基于Latin-1的编码怎么办？这会欺骗它允许你存储数据。然后你要存储字符串'ä¸æ'或'ä¸\xadæ–‡'或类似的东西。这似乎并不十分有用。您可以编写一个应用程序，这样做是有意义的（因为您知道您将通过Latin-1 mojibake重新编码为UTF-8到每一侧的真实字符串），但在这种情况下，您为什么要使用一个字符串在第一位？只需使用二进制列，并跳过整个Latin-1部分，并由应用程序知道二进制数据意味着UTF-8，而不是由应用程序知道看起来像拉丁语-1必须被重新编码才能用作UTF-8。
或者，更简单，只需使用UTF-8列，或者停止尝试将东亚文本存储在cp1252列中......
*请参阅the docs了解Oracle如何解释替换字符，这比您预期的要复杂得多，与Python不同。
**您的数据库调用编码WE8MSWIN1252的事实似乎暗示应该使用Windows定义;它将它们转换为0xBF这一事实意味着它不会这样做。这可能是合理的，因为＆＃34; MSWIN＆＃34;他们的意思是＆＃34; MS Windows 3.1＆＃34;或者，地狱，甚至＆＃34; MS Windows 1.0＆＃34;，但我真的不知道。无论如何，正如下一段所解释的那样，它并不重要。如果您想查看在＆＃34;代码页1252＆＃34;的任何含义下不应该合法的字符会发生什么情况，请参阅try '東京'，这是UTF中的'\xe6\x9d\xb1\xe4\xba\xac' 8，在cp1252中故意将0x9D留空。