記得去年我在往 MySQL 存入 emoji 😲😳表情時(shí)，一直出錯(cuò)，無法導(dǎo)入。后來找到辦法，通過把 utf8 改成 utf8mb4 就可以了，當(dāng)時(shí)并沒有深究。

[[343183]]

圖片來自 Pexels

一年后，我看到一篇文章講到 emoji 文字占 4 個(gè)字節(jié)，通常要用 utf-8 去接收才行，其他編碼可能會出錯(cuò)。

我突然想到去年操作 MySQL 把 utf8 改成 utf8mb4 的事兒。

嗯?他本身不就是 utf8 編碼么!那我當(dāng)時(shí)還改個(gè)錘子?難道，MySQL 的 utf8 不是真正的 UTF-8 編碼嗎??! 臥槽，這 MySQL 有 Bug!

帶著疑問查詢了很多相關(guān)材料，才發(fā)現(xiàn)這竟然是 MySQL 的一個(gè)歷史遺留問題。我笑了，沒想到這么牛 B 的 MySQL 也會有這段往事。

報(bào)錯(cuò)回顧

將 emoji 文字直接寫入 SQL 中，執(zhí)行 insert 語句報(bào)錯(cuò)：

INSERT INTO `csjdemo`.`student` (`ID`, `NAME`, `SEX`, `AGE`, `CLASS`, `GRADE`, `HOBBY`)  
   VALUES ('20', '陳哈哈😓', '男', '20', '181班', '9年級', '看片兒'); 

[Err] 1366 - Incorrect string value: '\xF0\x9F\x98\x93' for column 'NAME' at row 1 

改了數(shù)據(jù)庫編碼、系統(tǒng)編碼以及表字段的編碼格式→utf8mb4 之后，就可以了：

INSERT INTO `student` (`ID`, `NAME`, `SEX`, `AGE`, `CLASS`, `GRADE`, `HOBBY`)  
   VALUES (null, '陳哈哈😓😓', '男', '20', '181班', '9年級', '看片兒'); 

MySQL 中 utf8 的趣事

MySQL 的“utf8”實(shí)際上不是真正的 UTF-8。

在 MySQL 中，“utf8”編碼只支持每個(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)。

在 utf8 編碼中，中文是占 3 個(gè)字節(jié)，其他數(shù)字、英文、符號占一個(gè)字節(jié)。

但 emoji 符號占 4 個(gè)字節(jié)，一些較復(fù)雜的文字、繁體字也是 4 個(gè)字節(jié)。所以導(dǎo)致寫入失敗，應(yīng)該改成 utf8mb4。

如上圖中所示，這是編碼改成 utf8mb4 后入庫的數(shù)據(jù)，大家可以清晰的對比一下所占的字符數(shù)、字節(jié)數(shù)。

正因如此，4 字節(jié)的內(nèi)容往 utf8 編碼中插入，肯定是不行的，插不進(jìn)去啊，是吧(大潘攤手)。

[[343184]]

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，巧妙的繞過了這個(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。

utf8mb4 才是真正的UTF-8

是的，MySQL 的“utf8mb4”才是真正的“UTF-8”。

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

在這里 Mark 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”。

[[343185]]

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：

• 計(jì)算機(jī)讀取“01000011”，得到數(shù)字 67，因?yàn)?67 被編碼成“01000011”。
• 計(jì)算機(jī)在 Unicode 字符集中查找 67，找到了“C”。

同樣的：

• 我的電腦將“C”映射成 Unicode 字符集中的 67。
• 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。

utf8 的簡史

為什么 MySQL 開發(fā)者會讓“utf8”失效?我們或許可以從 MySQL 版本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)者在第一個(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。

不過我們可以試著猜測一下：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。

[[343186]]

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：

• 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)。
• 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，因?yàn)?ldquo;😓”是 4 個(gè)字節(jié)的。

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。

總結(jié)

主要是目前網(wǎng)絡(luò)上幾乎所有的文章都把 “utf8” 當(dāng)成是真正的 UTF-8，包括之前我寫的文章以及做的項(xiàng)目(捂臉);因此希望更多的朋友能夠看到這篇文章。

相信還有很多跟我在同一條船上的人，這是必然的。

所以，大家以后再搭建 MySQL、MariaDB 數(shù)據(jù)庫時(shí)，記得將數(shù)據(jù)庫相應(yīng)編碼都改為 utf8mb4。

終有一天，接你班兒的程序員發(fā)或你的領(lǐng)導(dǎo)現(xiàn)這個(gè)問題后，一定會在心里默默感到你的技術(shù)牛 B。

作者：_陳哈哈

編輯：陶家龍

出處：https://sourl.cn/kKbzpH