為什么不建議在MySQL中使用UTF-8？

記得去年我在往MySQL存入emoji表情時(shí)，一直出錯(cuò)，無(wú)法導(dǎo)入。后來(lái)找到辦法 -- 通過(guò)把 utf8 改成 utf8mb4 就可以了，并沒有深究。

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(huì)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(huì)有這段往事。

一、報(bào)錯(cuò)回顧

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

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

[Err] 1366 - Incorrect string value: 'xF0x9Fx98x93' for column 'NAME' at row 1

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

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

二、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(hào)占一個(gè)字節(jié)。

但emoji符號(hào)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(kù)的數(shù)據(jù)，大家可以清晰的對(duì)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。

MySQL 一直沒有修復(fù)這個(gè) bug，他們?cè)?2010 年發(fā)布了一個(gè)叫作“utf8mb4”的字符集，巧妙的繞過(guò)了這個(gè)問題。

當(dāng)然，他們并沒有對(duì)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。

1. 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”。

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(lái)存儲(chǔ)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(guò)兩個(gè)步驟：

1. 計(jì)算機(jī)讀取“01000011”，得到數(shù)字 67，因?yàn)?67 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(wàn)個(gè)字符。最簡(jiǎn)單的編碼是 UTF-32，每個(gè)字符使用 32 位。這樣做最簡(jiǎn)單，因?yàn)橐恢币詠?lái)，計(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。

2. utf8 的簡(jiǎn)史

為什么 MySQL 開發(fā)者會(huì)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(duì) 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(shuí)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(kù)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(guò)我們可以試著猜測(cè)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(lái)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(huì)在后面填充空格，如果插入的字符超過(guò)了定義的數(shù)量，后面超出部分會(huì)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(shuō)，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(guò)很顯然，MySQL 開發(fā)者或廠商擔(dān)心會(huì)有用戶做這兩件事：

• 使用 CHAR 定義列（在現(xiàn)在看來(lái)，CHAR 已經(jīng)是老古董了，但在那時(shí)，在 MySQL 中使用 CHAR 會(huì)更快，不過(guò)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(cè)是 MySQL 開發(fā)者本來(lái)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?cè)谑褂谩皍tf8”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(wú)法保存像“”這樣的字符，因?yàn)椤啊笔?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(wú)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(kù)。最終，MySQL 在 2010 年重新發(fā)布了“utf8mb4”來(lái)支持真正的 UTF-8。

三、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，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(kù)時(shí)，記得將數(shù)據(jù)庫(kù)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(huì)在心里默默感到你的技術(shù)牛B。

審核編輯 ：李倩