pymssql读取varchar字段中文显示乱码的问题分析

问题

　　用python的pymssql模块读取旧业务系统后台SQL Server 2000数据库展示数据为乱码

开发环境

操作系统：windows 8
数据库 MS SQL Server 2000，默认配置
python 2.7.6
pymssql 2.1.1
开发工具：PyCharm 4.0

业务逻辑

　　数据库的[rooms]表记录一些功能房间列表，与其他接口数据进行对比，然后输出对比结果。

　　rooms表结构：

CREATE TABLE [rooms] (
[id] [int] IDENTITY (1, 1) NOT NULL ,
[name] [varchar] (50) COLLATE Chinese_PRC_CI_AS NULL ,
PRIMARY KEY CLUSTERED ([id] ON [PRIMARY] ,
UNIQUE NONCLUSTERED ([des]) ON [PRIMARY] 
) ON [PRIMARY]
GO

　　模拟代码

# -*- coding: utf-8 -*-
import pymssql

rooms=None
with pymssql.connect(host='192.168.1.100',database='builds',
                     user='sa',password='password',
                   #  charset='utf8',
                     ) as conn:
    cur=conn.cursor()
    sql="select id,name from rooms"
    cur.execute(sql)
    rooms=cur.fetchall()
if rooms and isinstance(rooms,(list,tuple)):
    for room_id,room_name in rooms:
        print "\t".join([str(room_id),room_name])

　　在通用环境中运行代码，room_name变量列显示乱码

问题分析

调整连接字符集
首先想到的解决办法是，指定pymssql.connect参数charset的字符集值，使得内外数据编码一致。
依据，“默认情况下，SQL Server 2000使用ISO字符集（代码页1252）。这个字符集也叫ISO-8859-1 Latin1 或者ANSI字符集。它和Windows9x及Windows NT/2000操作系统相兼容，提供了与大多数语言最大兼容性。SQL Server2000中还包含代码页936（简体中文），该字符集包含对简体中文支持的字符”，将charset设置为gbk或cp936，更为合适。查看pymssql使用文档，发现官方没有给出此参数可接收的实例字符串。进行猜测性调试：
<charset='gbk'>运行抛出异常：pymssql.OperationalError: (20017, 'DB-Lib error message 20017, severity 9:\nUnexpected EOF from the server\nDB-Lib error message 20002, severity 9:\nAdaptive Server connection failed\n')
<charset='cp936'>调试模式下pymsql.connect无异常信息，但程序直接退出
<charset='utf8'>运行正常，输出依然乱码；不指定此参数值时，程序使用默认值'UTF-8'
结论：此路不通

特定字符串调试
使用PyCharm调试程序，选定特定room_name值，来进行分析

# 注意此时输出标记为u,说明识别为unicode编码，正常时此时print出是真实值
>>> room_name
u'\xbf\xec\xb5\xdd\xbc\xe4\xa3\xa8\xc3\xc5\xc4\xda\xa3\xa9'
# 打印原始值为乱码，所以怀疑实际存储的是被标记为unicode的其他编码
>>> print room_name
¿ìµÝ¼ä£¨ÃÅÄÚ£©
# 这时可以将引号内赋值，再使用chardet.detect()判断
>>> aa='\xbf\xec\xb5\xdd\xbc\xe4\xa3\xa8\xc3\xc5\xc4\xda\xa3\xa9'
>>> aa
'\xbf\xec\xb5\xdd\xbc\xe4\xa3\xa8\xc3\xc5\xc4\xda\xa3\xa9'
# 果然，检测出的结果是GB2312编码
>>> chardet.detect(aa)
{'confidence': 0.99, 'encoding': 'GB2312'}
# 输出正常
>>> print aa.decode('gb2312')
快递间（门内）
# 此时，需要unicode->encode('Latin1')->decode('GB2312')
>>> room_name.encode('latin1').decode('GB2312')
u'\u5feb\u9012\u95f4\uff08\u95e8\u5185\uff09'
>>> print room_name.encode('latin1').decode('GB2312')
快递间（门内）

解决办法

　　pymssql基础实现使用的是cpython，从GitHub的官方代码文件_mssql.pyx，可以看到一些处理过程。使用strcpy函数对数据交换，因为对cpython不了解，怀疑是在处理双字节文字转码时的一点bug。

　　这个问题有两个解决办法：

代码中显式转码
方法：unicode变量.encode('latin1').decode('gbk')，详细情况可以参考下方的“PYTHON-进阶-编码处理小结”
一般情况下对unicode编码不做encode处理，但必要时可以encode为Latin1，实现脱unicode操作，然后再以合适字符集decode为正确unicode
```
print "\t".join([str(room_id),room_name.encode('latin1').decode('gbk')])
```
字符定义使用NVARCHAR
这种方式在存储和读取时都使用unicode编码，和python运转字节码一致，可以很好避免此类问题。当然数据库存储空间要牺牲一些。
```
[room_name] [nvarchar] (50) COLLATE Chinese_PRC_CI_AS NULL 
```