【開源組件】記住：不要在MySQL中使用UTF-8

最近我遇到了一個bug，我試着經過Rails在以「utf8」編碼的MariaDB中保存一個UTF-8字符串，而後出現了一個離奇的錯誤：

QQ截圖20190516153451.png

Incorrect string value: ‘\xF0\x9F\x98\x83 <…’ for column ‘summary’ at row 1

我用的是UTF-8編碼的客戶端，服務器也是UTF-8編碼的，數據庫也是，就連要保存的這個字符串「😃 <…」也是合法的UTF-8。

問題的癥結在於，MySQL的「utf8」實際上不是真正的UTF-8。

「utf8」只支持每一個字符最多三個字節，而真正的UTF-8是每一個字符最多四個字節。

MySQL一直沒有修復這個bug，他們在2010年發佈了一個叫做「utf8mb4」的字符集，繞過了這個問題。

固然，他們並無對新的字符集廣而告之（多是由於這個bug讓他們以爲很尷尬），以至於如今網絡上仍然在建議開發者使用「utf8」，但這些建議都是錯誤的。

簡單歸納以下：

1.MySQL的「utf8mb4」是真正的「UTF-8」。

2.MySQL的「utf8」是一種「專屬的編碼」，它可以編碼的Unicode字符並很少。

我要在這裏澄清一下：全部在使用「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？
咱們都知道，計算機使用0和1來存儲文本。好比字符「C」被存成「01000011」，那麼計算機在顯示這個字符時須要通過兩個步驟：

1.計算機讀取「01000011」，獲得數字67，由於67被編碼成「01000011」。

2.計算機在Unicode字符集中查找67，找到了「C」。

一樣的：

1.個人電腦將「C」映射成Unicode字符集中的67。

2.個人電腦將67編碼成「01000011」，併發送給Web服務器。

幾乎全部的網絡應用都使用了Unicode字符集，由於沒有理由使用其餘字符集。

Unicode字符集包含了上百萬個字符。最簡單的編碼是UTF-32，每一個字符使用32位。這樣作最簡單，由於一直以來，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能夠節省空間，在UTF-8中，字符「C」只須要8位，一些不經常使用的字符，好比「」須要32位。其餘的字符可能使用16位或24位。一篇相似本文這樣的文章，若是使用UTF-8編碼，佔用的空間只有UTF-32的四分之一左右。

MySQL的「utf8」字符集與其餘程序不兼容，它所謂的「」，可能真的是一坨……

MySQL簡史

爲何MySQL開發者會讓「utf8」失效？咱們或許能夠從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）最多支持每一個字符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如今最多隻支持3個字節的序列」。

是誰提交了這些代碼？他爲何要這樣作？這個問題不得而知。在遷移到Git後（MySQL最開始使用的是BitKeeper），MySQL代碼庫中的不少提交者的名字都丟失了。2003年9月的郵件列表中也找不到能夠解釋這一變動的線索。

不過我能夠試着猜想一下。

2002年，MySQL作出了一個決定：若是用戶能夠保證數據表的每一行都使用相同的字節數，那麼MySQL就能夠在性能方面來一個大提高。爲此，用戶須要將文本列定義爲「CHAR」，每一個「CHAR」列老是擁有相同數量的字符。若是插入的字符少於定義的數量，MySQL就會在後面填充空格，若是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時使用了每一個字符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，惋惜這一版本一直沒有發佈。可是文檔上卻這麼寫了，並且廣爲流傳，全部瞭解UTF-8的人都認同文檔裏寫的東西。

不過很顯然，MySQL開發者或廠商擔憂會有用戶作這兩件事：

1.使用CHAR定義列（在如今看來，CHAR已是老古董了，但在那時，在MySQL中使用CHAR會更快，不過從2005年之後就不是這樣子了）。

2.將CHAR列的編碼設置爲「utf8」。

個人猜想是MySQL開發者原本想幫助那些但願在空間和速度上共贏的用戶，但他們搞砸了「utf8」編碼。

因此結果就是沒有贏家。那些但願在空間和速度上共贏的用戶，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，卻沒法保存像「」這樣的字符。

在這個不合法的字符集發佈了以後，MySQL就沒法修復它，由於這樣須要要求全部用戶從新構建他們的數據庫。最終，MySQL在2010年從新發布了「utf8mb4」來支持真正的UTF-8。

爲何這件事情會讓人如此抓狂
由於這個問題，我整整抓狂了一個禮拜。我被「utf8」愚弄了，花了不少時間才找到這個bug。但我必定不是惟一的一個，網絡上幾乎全部的文章都把「utf8」當成是真正的UTF-8。

「utf8」只能算是個專有的字符集，它給咱們帶來了新問題，卻一直沒有獲得解決。

總結

若是你在使用MySQL或MariaDB，不要用「utf8」編碼，改用「utf8mb4」。這裏（ mathiasbynens.be/notes/mysql… ）提供了一個指南用於將現有數據庫的字符編碼從「utf8」轉成「utf8mb4」。