[[262472]]

最近我遇到了一個(gè)bug，我試著通過Rails在以“utf8”編碼的MariaDB中保存一個(gè)UTF-8字符串，然后出現(xiàn)了一個(gè)離奇的錯(cuò)誤：

Incorrect string value:‘\xF0\x9F\x98\x83 <…’ for column ‘summary’ at row 1 

我用的是UTF-8編碼的客戶端，服務(wù)器也是UTF-8編碼的，數(shù)據(jù)庫也是，就連要保存的這個(gè)字符串“ <…”也是合法的UTF-8。

問題的癥結(jié)在于，MySQL的“utf8”實(shí)際上不是真正的UTF-8。

“utf8”只支持每個(gè)字符最多三個(gè)字節(jié)，而真正的UTF-8是每個(gè)字符最多四個(gè)字節(jié)。

MySQL一直沒有修復(fù)這個(gè)bug，他們在2010年發(fā)布了一個(gè)叫作“utf8mb4”的字符集，繞過了這個(gè)問題。

當(dāng)然，他們并沒有對新的字符集廣而告之(可能是因?yàn)檫@個(gè)bug讓他們覺得很尷尬)，以致于現(xiàn)在網(wǎng)絡(luò)上仍然在建議開發(fā)者使用“utf8”，但這些建議都是錯(cuò)誤的。

簡單概括如下：

1.MySQL的“utf8mb4”是真正的“UTF-8”。

2.MySQL的“utf8”是一種“專屬的編碼”，它能夠編碼的Unicode字符并不多。

我要在這里澄清一下：所有在使用“utf8”的MySQL和MariaDB用戶都應(yīng)該改用“utf8mb4”，永遠(yuǎn)都不要再使用“utf8”。

那么什么是編碼?什么是UTF-8?

我們都知道，計(jì)算機(jī)使用0和1來存儲文本。比如字符“C”被存成“01000011”，那么計(jì)算機(jī)在顯示這個(gè)字符時(shí)需要經(jīng)過兩個(gè)步驟：

1.計(jì)算機(jī)讀取“01000011”，得到數(shù)字67，因?yàn)?7被編碼成“01000011”。

2.計(jì)算機(jī)在Unicode字符集中查找67，找到了“C”。

同樣的：

1.我的電腦將“C”映射成Unicode字符集中的67。

2.我的電腦將67編碼成“01000011”，并發(fā)送給Web服務(wù)器。

幾乎所有的網(wǎng)絡(luò)應(yīng)用都使用了Unicode字符集，因?yàn)闆]有理由使用其他字符集。

Unicode字符集包含了上百萬個(gè)字符。最簡單的編碼是UTF-32，每個(gè)字符使用32位。這樣做最簡單，因?yàn)橐恢币詠?，?jì)算機(jī)將32位視為數(shù)字，而計(jì)算機(jī)最在行的就是處理數(shù)字。但問題是，這樣太浪費(fèi)空間了。

UTF-8可以節(jié)省空間，在UTF-8中，字符“C”只需要8位，一些不常用的字符，比如“”需要32位。其他的字符可能使用16位或24位。一篇類似本文這樣的文章，如果使用UTF-8編碼，占用的空間只有UTF-32的四分之一左右。

MySQL的“utf8”字符集與其他程序不兼容，它所謂的“”，可能真的是一坨……

MySQL簡史

為什么MySQL開發(fā)者會讓“utf8”失效?我們或許可以從提交日志中尋找答案。

MySQL從4.1版本開始支持UTF-8，也就是2003年，而今天使用的UTF-8標(biāo)準(zhǔn)(RFC 3629)是隨后才出現(xiàn)的。

舊版的UTF-8標(biāo)準(zhǔn)(RFC 2279)最多支持每個(gè)字符6個(gè)字節(jié)。2002年3月28日，MySQL開發(fā)者在***個(gè)MySQL 4.1預(yù)覽版中使用了RFC 2279。

同年9月，他們對MySQL源代碼進(jìn)行了一次調(diào)整：“UTF8現(xiàn)在最多只支持3個(gè)字節(jié)的序列”。

是誰提交了這些代碼?他為什么要這樣做?這個(gè)問題不得而知。在遷移到Git后(MySQL最開始使用的是BitKeeper)，MySQL代碼庫中的很多提交者的名字都丟失了。2003年9月的郵件列表中也找不到可以解釋這一變更的線索。

不過我可以試著猜測一下。

2002年，MySQL做出了一個(gè)決定：如果用戶可以保證數(shù)據(jù)表的每一行都使用相同的字節(jié)數(shù)，那么MySQL就可以在性能方面來一個(gè)大提升。為此，用戶需要將文本列定義為“CHAR”，每個(gè)“CHAR”列總是擁有相同數(shù)量的字符。如果插入的字符少于定義的數(shù)量，MySQL就會在后面填充空格，如果插入的字符超過了定義的數(shù)量，后面超出部分會被截?cái)唷?/p>

MySQL開發(fā)者在最開始嘗試UTF-8時(shí)使用了每個(gè)字符6個(gè)字節(jié)，CHAR(1)使用6個(gè)字節(jié)，CHAR(2)使用12個(gè)字節(jié)，并以此類推。

應(yīng)該說，他們最初的行為才是正確的，可惜這一版本一直沒有發(fā)布。但是文檔上卻這么寫了，而且廣為流傳，所有了解UTF-8的人都認(rèn)同文檔里寫的東西。

不過很顯然，MySQL開發(fā)者或廠商擔(dān)心會有用戶做這兩件事：

1.使用CHAR定義列(在現(xiàn)在看來，CHAR已經(jīng)是老古董了，但在那時(shí)，在MySQL中使用CHAR會更快，不過從2005年以后就不是這樣子了)。

2.將CHAR列的編碼設(shè)置為“utf8”。

我的猜測是MySQL開發(fā)者本來想幫助那些希望在空間和速度上雙贏的用戶，但他們搞砸了“utf8”編碼。

所以結(jié)果就是沒有贏家。那些希望在空間和速度上雙贏的用戶，當(dāng)他們在使用“utf8”的CHAR列時(shí)，實(shí)際上使用的空間比預(yù)期的更大，速度也比預(yù)期的慢。而想要正確性的用戶，當(dāng)他們使用“utf8”編碼時(shí)，卻無法保存像“”這樣的字符。

在這個(gè)不合法的字符集發(fā)布了之后，MySQL就無法修復(fù)它，因?yàn)檫@樣需要要求所有用戶重新構(gòu)建他們的數(shù)據(jù)庫。最終，MySQL在2010年重新發(fā)布了“utf8mb4”來支持真正的UTF-8。

為什么這件事情會讓人如此抓狂

因?yàn)檫@個(gè)問題，我整整抓狂了一個(gè)禮拜。我被“utf8”愚弄了，花了很多時(shí)間才找到這個(gè)bug。但我一定不是***的一個(gè)，網(wǎng)絡(luò)上幾乎所有的文章都把“utf8”當(dāng)成是真正的UTF-8。

“utf8”只能算是個(gè)專有的字符集，它給我們帶來了新問題，卻一直沒有得到解決。

總結(jié)

如果你在使用MySQL或MariaDB，不要用“utf8”編碼，改用“utf8mb4”。這里( https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4 )提供了一個(gè)指南用于將現(xiàn)有數(shù)據(jù)庫的字符編碼從“utf8”轉(zhuǎn)成“utf8mb4”。