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:
- 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。
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
-
數據庫
+關注
關注
7文章
3799瀏覽量
64374 -
MySQL
+關注
關注
1文章
809瀏覽量
26552
原文標題:為什么不建議在MySQL中使用UTF-8?
文章出處:【微信號:magedu-Linux,微信公眾號:馬哥Linux運維】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
相關推薦
評論