记住，永远不要在MySQL中使用“utf8”

最近我遇到了一个 bug&＃xff0c;我试着通过 Rails 在以“utf8”编码的 MariaDB 中保存一个 UTF-8 字符串&＃xff0c;然后出现了一个离奇的错误&＃xff1a;

我用的是 UTF-8 编码的客户端&＃xff0c;服务器也是 UTF-8 编码的&＃xff0c;数据库也是&＃xff0c;就连要保存的这个字符串“ <…”也是合法的 UTF-8。

问题的症结在于&＃xff0c;MySQL 的“utf8”实际上不是真正的 UTF-8。“utf8”只支持每个字符最多三个字节&＃xff0c;而真正的 UTF-8 是每个字符最多四个字节。

MySQL 一直没有修复这个 bug&＃xff0c;他们在 2010 年发布了一个叫作“utf8mb4”的字符集&＃xff0c;绕过了这个问题。

当然&＃xff0c;他们并没有对新的字符集广而告之&＃xff08;可能是因为这个 bug 让他们觉得很尴尬&＃xff09;&＃xff0c;以致于现在网络上仍然在建议开发者使用“utf8”&＃xff0c;但这些建议都是错误的。

简单概括如下&＃xff1a;

MySQL 的“utf8mb4”是真正的“UTF-8”。

MySQL 的“utf8”是一种“专属的编码”&＃xff0c;它能够编码的 Unicode 字符并不多。

我要在这里澄清一下&＃xff1a;所有在使用“utf8”的 MySQL 和 MariaDB 用户都应该改用“utf8mb4”&＃xff0c;永远都不要再使用“utf8”。

那么什么是编码&＃xff1f;什么是 UTF-8&＃xff1f;

我们都知道&＃xff0c;计算机使用 0 和 1 来存储文本。比如字符“C”被存成“01000011”&＃xff0c;那么计算机在显示这个字符时需要经过两个步骤&＃xff1a;

计算机读取“01000011”&＃xff0c;得到数字 67&＃xff0c;因为 67 被编码成“01000011”。

计算机在 Unicode 字符集中查找 67&＃xff0c;找到了“C”。

同样的&＃xff1a;

我的电脑将“C”映射成 Unicode 字符集中的 67。

我的电脑将 67 编码成“01000011”&＃xff0c;并发送给 Web 服务器。

几乎所有的网络应用都使用了 Unicode 字符集&＃xff0c;因为没有理由使用其他字符集。Unicode 字符集包含了上百万个字符。

最简单的编码是 UTF-32&＃xff0c;每个字符使用 32 位。这样做最简单&＃xff0c;因为一直以来&＃xff0c;计算机将 32 位视为数字&＃xff0c;而计算机最在行的就是处理数字。

但问题是&＃xff0c;这样太浪费空间了。UTF-8 可以节省空间&＃xff0c;在 UTF-8 中&＃xff0c;字符“C”只需要 8 位&＃xff0c;一些不常用的字符&＃xff0c;比如“”需要 32 位。

其他的字符可能使用 16 位或 24 位。一篇类似本文这样的文章&＃xff0c;如果使用 UTF-8 编码&＃xff0c;占用的空间只有 UTF-32 的四分之一左右。

MySQL 的“utf8”字符集与其他程序不兼容&＃xff0c;它所谓的“”&＃xff0c;可能真的是一坨……

MySQL 简史

为什么 MySQL 开发者会让“utf8”失效&＃xff1f;我们或许可以从提交日志中寻找答案。

MySQL 从 4.1 版本开始支持 UTF-8&＃xff0c;也就是 2003 年&＃xff0c;而今天使用的 UTF-8 标准&＃xff08;RFC 3629&＃xff09;是随后才出现的。旧版的 UTF-8 标准&＃xff08;RFC 2279&＃xff09;最多支持每个字符 6 个字节。

2002 年 3 月 28 日&＃xff0c;MySQL 开发者在第一个 MySQL 4.1 预览版中使用了 RFC 2279。

同年 9 月&＃xff0c;他们对 MySQL 源代码进行了一次调整&＃xff1a;“UTF8 现在最多只支持 3 个字节的序列”。是谁提交了这些代码&＃xff1f;他为什么要这样做&＃xff1f;这个问题不得而知。

在迁移到 Git 后&＃xff08;MySQL 最开始使用的是 BitKeeper&＃xff09;&＃xff0c;MySQL 代码库中的很多提交者的名字都丢失了。

2003 年 9 月的邮件列表中也找不到可以解释这一变更的线索。不过我可以试着猜测一下。

2002 年&＃xff0c;MySQL 做出了一个决定&＃xff1a;如果用户可以保证数据表的每一行都使用相同的字节数&＃xff0c;那么 MySQL 就可以在性能方面来一个大提升。为此&＃xff0c;用户需要将文本列定义为“CHAR”&＃xff0c;每个“CHAR”列总是拥有相同数量的字符。

如果插入的字符少于定义的数量&＃xff0c;MySQL 就会在后面填充空格&＃xff0c;如果插入的字符超过了定义的数量&＃xff0c;后面超出部分会被截断。MySQL 开发者在最开始尝试 UTF-8 时使用了每个字符 6 个字节&＃xff0c;CHAR(1) 使用 6 个字节&＃xff0c;CHAR(2) 使用 12 个字节&＃xff0c;并以此类推。

应该说&＃xff0c;他们最初的行为才是正确的&＃xff0c;可惜这一版本一直没有发布。但是文档上却这么写了&＃xff0c;而且广为流传&＃xff0c;所有了解 UTF-8 的人都认同文档里写的东西。不过很显然&＃xff0c;MySQL 开发者或厂商担心会有用户做这两件事&＃xff1a;

使用 CHAR 定义列&＃xff08;在现在看来&＃xff0c;CHAR 已经是老古董了&＃xff0c;但在那时&＃xff0c;在 MySQL 中使用 CHAR 会更快&＃xff0c;不过从 2005 年以后就不是这样子了&＃xff09;。

将 CHAR 列的编码设置为“utf8”。

我的猜测是 MySQL 开发者本来想帮助那些希望在空间和速度上双赢的用户&＃xff0c;但他们搞砸了“utf8”编码。所以结果就是没有赢家。

那些希望在空间和速度上双赢的用户&＃xff0c;当他们在使用“utf8”的 CHAR 列时&＃xff0c;实际上使用的空间比预期的更大&＃xff0c;速度也比预期的慢。而想要正确性的用户&＃xff0c;当他们使用“utf8”编码时&＃xff0c;却无法保存像“”这样的字符。

在这个不合法的字符集发布了之后&＃xff0c;MySQL 就无法修复它&＃xff0c;因为这样需要要求所有用户重新构建他们的数据库。最终&＃xff0c;MySQL 在 2010 年重新发布了“utf8mb4”来支持真正的 UTF-8。

为什么这件事情会让人如此抓狂

因为这个问题&＃xff0c;我整整抓狂了一个礼拜。我被“utf8”愚弄了&＃xff0c;花了很多时间才找到这个 bug。但我一定不是唯一的一个&＃xff0c;网络上几乎所有的文章都把“utf8”当成是真正的 UTF-8。“utf8”只能算是个专有的字符集&＃xff0c;它给我们带来了新问题&＃xff0c;却一直没有得到解决。

总结

如果你在使用 MySQL 或 MariaDB&＃xff0c;不要用“utf8”编码&＃xff0c;改用“utf8mb4”。

这里&＃xff08;https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4&＃xff09;提供了一个指南用于将现有数据库的字符编码从“utf8”转成“utf8mb4”。

原作者&＃xff1a;Adam Hooper
原文链接&＃xff1a;记住&＃xff0c;永远不要在MySQL中使用“utf8”-InfoQ
原出处&＃xff1a;InfoQ