記得去年我在往 MySQL 存入 emoji 😲😳表情時，一直出錯，無法導入。后來找到辦法，通過把 utf8 改成 utf8mb4 就可以了，當時并沒有深究。

[[343183]]

圖片來自 Pexels

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

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!那我當時還改個錘子?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材料，才發現這竟然是 MySQL 的一個歷史遺留問題。我笑了，沒想到這么牛 B 的 MySQL 也會有這段往事。

報錯回顧

將 emoji 文字直接寫入 SQL 中，執行 insert 語句報錯：

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 

改了數據庫編碼、系統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”實際上不是真正的 UTF-8。

在 MySQL 中，“utf8”編碼只支持每個字符最多三個字節，而真正的 UTF-8 是每個字符最多四個字節。

在 utf8 編碼中，中文是占 3 個字節，其他數字、英文、符號占一個字節。

但 emoji 符號占 4 個字節，一些較復雜的文字、繁體字也是 4 個字節。所以導致寫入失敗，應該改成 utf8mb4。

如上圖中所示，這是編碼改成 utf8mb4 后入庫的數據，大家可以清晰的對比一下所占的字符數、字節數。

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

[[343184]]

MySQL 一直沒有修復這個 Bug，他們在 2010 年發布了一個叫作“utf8mb4”的字符集，巧妙的繞過了這個問題。

當然，他們并沒有對新的字符集廣而告之(可能是因為這個 Bug 讓他們覺得很尷尬)，以致于現在網絡上仍然在建議開發者使用“utf8”，但這些建議都是錯誤的。

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 用戶都應該改用“utf8mb4”，永遠都不要再使用“utf8”。

[[343185]]

那么什么是編碼?什么是 UTF-8?我們都知道，計算機使用 0 和 1 來存儲文本，比如字符“C”被存成“01000011”。

那么計算機在顯示這個字符時需要經過兩個步驟：

• 計算機讀取“01000011”，得到數字 67，因為 67 被編碼成“01000011”。
• 計算機在 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”，并發送給 Web 服務器。

幾乎所有的網絡應用都使用了 Unicode 字符集，因為沒有理由使用其他字符集。

Unicode 字符集包含了上百萬個字符。最簡單的編碼是 UTF-32，每個字符使用 32 位。

這樣做最簡單，因為一直以來，計算機將 32 位視為數字，而計算機最在行的就是處理數字。但問題是，這樣太浪費空間了。

UTF-8 可以節省空間，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 標準(RFC 3629)是隨后才出現的。

舊版的 UTF-8 標準(RFC 2279)最多支持每個字符 6 個字節。2002 年 3 月 28 日，MySQL 開發者在第一個 MySQL 4.1 預覽版中使用了 RFC 2279。

同年 9 月，他們對 MySQL 源代碼進行了一次調整：“UTF8 現在最多只支持 3 個字節的序列”。

是誰提交了這些代碼?他為什么要這樣做?這個問題不得而知。

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 做出了一個決定：如果用戶可以保證數據表的每一行都使用相同的字節數，那么 MySQL 就可以在性能方面來一個大提升。

為此，用戶需要將文本列定義為“CHAR”，每個“CHAR”列總是擁有相同數量的字符。

如果插入的字符少于定義的數量，MySQL 就會在后面填充空格，如果插入的字符超過了定義的數量，后面超出部分會被截斷。

MySQL 開發者在最開始嘗試 UTF-8 時使用了每個字符 6 個字節，CHAR(1) 使用 6 個字節，CHAR(2) 使用 12 個字節，并以此類推。

應該說，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 的人都認同文檔里寫的東西。

[[343186]]

不過很顯然，MySQL 開發者或廠商擔心會有用戶做這兩件事：

• 使用 CHAR 定義列(在現在看來，CHAR 已經是老古董了，但在那時，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 列的編碼設置為“utf8”。

我的猜測是 MySQL 開發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。

所以結果就是沒有贏家。那些希望在空間和速度上雙贏的用戶，當他們在使用“utf8”的 CHAR 列時，實際上使用的空間比預期的更大，速度也比預期的慢。

而想要正確性的用戶，當他們使用“utf8”編碼時，卻無法保存像“😓”這樣的字符，因為“😓”是 4 個字節的。

在這個不合法的字符集發布了之后，MySQL 就無法修復它，因為這樣需要要求所有用戶重新構建他們的數據庫。

最終，MySQL 在 2010 年重新發布了“utf8mb4”來支持真正的 UTF-8。

總結

主要是目前網絡上幾乎所有的文章都把 “utf8” 當成是真正的 UTF-8，包括之前我寫的文章以及做的項目(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 數據庫時，記得將數據庫相應編碼都改為 utf8mb4。

終有一天，接你班兒的程序員發或你的領導現這個問題后，一定會在心里默默感到你的技術牛 B。

作者：_陳哈哈

編輯：陶家龍

出處：https://sourl.cn/kKbzpH