MySQL中的 utf8 並不是真正的UTF-8編碼 ! !

記得去年我在往MySQL存入emoji表情😲😳時,一直出錯,無法導入。後來找到辦法 -- 通過把utf8改成utf8mb4就可以了,並沒有深究。

一年後,我看到一篇文章講到emoji文字佔4個字節,通常要用utf-8去接收纔行,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編碼麼!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!

帶着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,沒想到這麼牛B的MySQL也會有這段往事。

 

目錄

一、報錯回顧

二、MySQL中utf8的趣事

1. utf8mb4 纔是真正的UTF-8

2. utf8 的簡史

三、總結

一張照片背後的故事


一、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 之後,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');

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,中文是佔3個字節,其他數字、英文、符號佔一個字節。

但emoji符號佔4個字節,一些較複雜的文字、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後入庫的數據,大家可以清晰的對比一下所佔的字符數、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)。

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

當然,他們並沒有對新的字符集廣而告之(可能是因爲這個 bug 讓他們覺得很尷尬),以致於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 纔是真正的UTF-8

是的,MySQL 的“utf8mb4”纔是真正的“UTF-8”。

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

在這裏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”。

 

 

那麼什麼是編碼?什麼是 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”,那麼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,因爲 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”,併發送給 Web 服務器。

幾乎所有的網絡應用都使用了 Unicode 字符集,因爲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,因爲一直以來,計算機將 32 位視爲數字,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,佔用的空間只有 UTF-32 的四分之一左右。

2. utf8 的簡史

爲什麼 MySQL 開發者會讓“utf8”失效?我們或許可以從MySQL版本提交日誌中尋找答案。

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)是隨後纔出現的。

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 現在最多隻支持 3 個字節的序列”。

是誰提交了這些代碼?他爲什麼要這樣做?這個問題不得而知。在遷移到 Git 後(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。

不過我們可以試着猜測一下:

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,那麼 MySQL 就可以在性能方面來一個大提升。爲此,用戶需要將文本列定義爲“CHAR”,每個“CHAR”列總是擁有相同數量的字符。如果插入的字符少於定義的數量,MySQL 就會在後面填充空格,如果插入的字符超過了定義的數量,後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,並以此類推。

應該說,他們最初的行爲纔是正確的,可惜這一版本一直沒有發佈。但是文檔上卻這麼寫了,而且廣爲流傳,所有了解 UTF-8 的人都認同文檔裏寫的東西。

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 年以後就不是這樣子了)。
  • 將 CHAR 列的編碼設置爲“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,因爲“😓”是4個字節的。

在這個不合法的字符集發佈了之後,MySQL 就無法修復它,因爲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,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,大家以後再搭建MySQL、MariaDB數據庫時,記得將數據庫相應編碼都改爲utf8mb4。終有一天,接你班兒的程序員發或你的領導現這個問題後,一定會在心裏默默感到你的技術牛B。

一張照片背後的故事

張良善在1986年,成爲一名西藏運輸兵,每條西藏公路上都有他的身影
1992年,張良善懷孕的妻子,重病住院
領導瞭解情況後批准他回家,可當時西藏的將士們缺衣少食
如果不在惡劣天氣來臨前運輸完物資,將士們很可能有生命危險
他選擇留下來,繼續爲將士們運輸物資
但當任務結束後,妻子卻因難產而死
最後他親手雕刻了妻子的墓碑,並跪在墳前痛哭

 

參考資料

https://medium.com/@adamhooper/in-mysql-never-use-utf8-use-utf8mb4-11761243e434

https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章