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，并沒有深究。

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。

一、報錯回顧

將emoji文字直接寫入SQL中，執行 insert 語句報錯；

INSERTINTO`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: 'xF0x9Fx98x93' 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：

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

二、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。

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。

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 用戶都應該改用“utf8mb4”，永遠都不要再使用“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：

1. 計算機讀取“01000011”，得到數字 67，因為 67 被編碼成“01000011”。
2. 計算機在 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。

2. 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。

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。

三、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，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。

審核編輯 ：李倩