mysql中的utf_Mysql中的utf8竟然是假的！

最近遇到一个神奇的问题&＃xff0c;在往数据库中插入聊天表情的时候&＃xff0c;离奇的报错&＃xff0c;我的客户端、服务器、数据库都是UTF-8 编码的&＃xff0c;所以应该不会出现问题。最终发现根本的原因在于MySQL 的“utf8”实际上不是真正的 UTF-8。

Mysql的utf-8的问题

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(可能是因为这个 bug 让他们觉得很尴尬)&＃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”。

产生问题的历史原因

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(RFC 3629)是随后才出现的。

旧版的 UTF-8 标准(RFC 2279)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(MySQL 最开始使用的是 BitKeeper)&＃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;

(1)使用 CHAR 定义列(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)。

(2)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。