求求你,别在MySQL中使用UTF-8了!

原创
09/23 09:33
阅读数 1.8W
点击上方蓝色字关注我们~








记得去年我在往 MySQL 存入 emoji 😲😳表情时,一直出错,无法导入。后来找到办法,通过把 utf8 改成 utf8mb4 就可以了,当时并没有深究。


图片来自 Pexels

一年后,我看到一篇文章讲到 emoji 文字占 4 个字节,通常要用 utf-8 去接收才行,其他编码可能会出错。


我突然想到去年操作 MySQL 把 utf8 改成 utf8mb4 的事儿。


嗯?他本身不就是 utf8 编码么!那我当时还改个锤子?难道,MySQL 的 utf8 不是真正的 UTF-8 编码吗??! 卧槽,这 MySQL 有 Bug!


带着疑问查询了很多相关材料,才发现这竟然是 MySQL 的一个历史遗留问题。我笑了,没想到这么牛 B 的 MySQL 也会有这段往事。


报错回顾


将 emoji 文字直接写入 SQL 中,执行 insert 语句报错:
INSERT INTO `csjdemo`.`student` (`ID``NAME``SEX``AGE``CLASS``GRADE``HOBBY`
   VALUES ('20''陈哈哈😓''男''20''181班''9年级''看片儿');

[Err1366 - Incorrect string value'\xF0\x9F\x98\x93' for column 'NAME' at row 1


改了数据库编码、系统编码以及表字段的编码格式→utf8mb4 之后,就可以了:

INSERT INTO `student` (`ID``NAME``SEX``AGE``CLASS``GRADE``HOBBY`
   VALUES (null'陈哈哈😓😓''男''20''181班''9年级''看片儿');



MySQL 中 utf8 的趣事


MySQL 的“utf8”实际上不是真正的 UTF-8。


在 MySQL 中,“utf8”编码只支持每个字符最多三个字节,而真正的 UTF-8 是每个字符最多四个字节。


在 utf8 编码中,中文是占 3 个字节,其他数字、英文、符号占一个字节。


但 emoji 符号占 4 个字节,一些较复杂的文字、繁体字也是 4 个字节。所以导致写入失败,应该改成 utf8mb4。

如上图中所示,这是编码改成 utf8mb4 后入库的数据,大家可以清晰的对比一下所占的字符数、字节数。


正因如此,4 字节的内容往 utf8 编码中插入,肯定是不行的,插不进去啊,是吧(大潘摊手)。

MySQL 一直没有修复这个 Bug,他们在 2010 年发布了一个叫作“utf8mb4”的字符集,巧妙的绕过了这个问题。


当然,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),以致于现在网络上仍然在建议开发者使用“utf8”,但这些建议都是错误的。


utf8mb4 才是真正的UTF-8


是的,MySQL 的“utf8mb4”才是真正的“UTF-8”。


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


在这里 Mark 一下: 所有在使用“utf8”的 MySQL 和 MariaDB 用户都应该改用“utf8mb4”,永远都不要再使用“utf8”。

那么什么是编码?什么是 UTF-8?我们都知道,计算机使用 0 和 1 来存储文本,比如字符“C”被存成“01000011”。


那么计算机在显示这个字符时需要经过两个步骤:

  • 计算机读取“01000011”,得到数字 67,因为 67 被编码成“01000011”。

  • 计算机在 Unicode 字符集中查找 67,找到了“C”。


同样的:

  • 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”,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,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,每个字符使用 32 位。


这样做最简单,因为一直以来,计算机将 32 位视为数字,而计算机最在行的就是处理数字。但问题是,这样太浪费空间了。


UTF-8 可以节省空间,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。


一篇类似本文这样的文章,如果使用 UTF-8 编码,占用的空间只有 UTF-32 的四分之一左右。


utf8 的简史


为什么 MySQL 开发者会让“utf8”失效?我们或许可以从 MySQL 版本提交日志中寻找答案。


MySQL 从 4.1 版本开始支持 UTF-8,也就是 2003 年,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,MySQL 开发者在第一个 MySQL 4.1 预览版中使用了 RFC 2279。


同年 9 月,他们对 MySQL 源代码进行了一次调整:“UTF8 现在最多只支持 3 个字节的序列”。


是谁提交了这些代码?他为什么要这样做?这个问题不得而知。


在迁移到 Git 后(MySQL 最开始使用的是 BitKeeper),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。


不过我们可以试着猜测一下:2002 年,MySQL 做出了一个决定:如果用户可以保证数据表的每一行都使用相同的字节数,那么 MySQL 就可以在性能方面来一个大提升。


为此,用户需要将文本列定义为“CHAR”,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,MySQL 就会在后面填充空格,如果插入的字符超过了定义的数量,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,CHAR(1) 使用 6 个字节,CHAR(2) 使用 12 个字节,并以此类推。


应该说,他们最初的行为才是正确的,可惜这一版本一直没有发布。但是文档上却这么写了,而且广为流传,所有了解 UTF-8 的人都认同文档里写的东西。

不过很显然,MySQL 开发者或厂商担心会有用户做这两件事:

  • 使用 CHAR 定义列(在现在看来,CHAR 已经是老古董了,但在那时,在 MySQL 中使用 CHAR 会更快,不过从 2005 年以后就不是这样子了)。

  • 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,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,当他们在使用“utf8”的 CHAR 列时,实际上使用的空间比预期的更大,速度也比预期的慢。


而想要正确性的用户,当他们使用“utf8”编码时,却无法保存像“😓”这样的字符,因为“😓”是 4 个字节的。


在这个不合法的字符集发布了之后,MySQL 就无法修复它,因为这样需要要求所有用户重新构建他们的数据库。


最终,MySQL 在 2010 年重新发布了“utf8mb4”来支持真正的 UTF-8。


总结


主要是目前网络上几乎所有的文章都把 “utf8” 当成是真正的 UTF-8,包括之前我写的文章以及做的项目(捂脸);因此希望更多的朋友能够看到这篇文章。


相信还有很多跟我在同一条船上的人,这是必然的。


所以,大家以后再搭建 MySQL、MariaDB 数据库时,记得将数据库相应编码都改为 utf8mb4。


终有一天,接你班儿的程序员发或你的领导现这个问题后,一定会在心里默默感到你的技术牛 B。



在公众号菜单中可自行获取专属架构视频资料,包括不限于 java架构、python系列、人工智能系列、架构系列,以及最新面试、小程序、大前端均无私奉献,你会感谢我的哈



往期热门文章:

1,架构的本质:如何打造一个有序的系统?
2, 分布式高可靠之负载均衡,今天看了你肯定会
3, 分布式数据之缓存技术,一起来揭开其神秘面纱
4,分布式数据复制技术,今天就教你真正分身术
5, 数据分布方式之哈希与一致性哈希,我就是个神算子
分布式存储系统三要素,掌握这些就离成功不远了
想要设计一个好的分布式系统,必须搞定这个理论
分布式通信技术之发布订阅,干货满满
9, 分布式通信技术之远程调用:RPC
10  秒杀系统每秒上万次下单请求,我们该怎么去设计



本文分享自微信公众号 - 架构师修炼(jiagouxiulian)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

展开阅读全文
打赏
3
9 收藏
分享
加载中
不错,受教育了
10/06 15:13
回复
举报
overland888博主
分享快乐
10/14 09:40
回复
举报
之前做微信小程序的时候碰到了
09/25 08:53
回复
举报
overland888博主
你们怎么解决的
10/14 09:40
回复
举报
你这种标题在古代是要被浸猪笼的
09/24 18:36
回复
举报
overland888博主
哈哈哈,你太皮了
10/14 09:40
回复
举报
为了让 OSCHINA 数据库某个字段支持 emoji 表情,我们找了一个开源的转换方案。在存入之前转义成 utf-8 兼容的字符,取出来的时候再做逆向操作。这个开源方案是国产优秀的小项目 https://gitee.com/xuxueli0323/xxl-tool
09/24 16:33
回复
举报
overland888博主
不错。分享快乐
10/14 09:41
回复
举报
utf8mb4,utf8mb4,utf8mb4,utf8mb4,utf8mb4,utf8mb4,utf8mb4.绝大多数情况下我又用不着。。。。。。继续utf8。你这做法和不要用int用long,不要用float用double。是一样的。嗯,大家应该用any。可以表示所有。
09/24 15:54
回复
举报
overland888博主
学习学习
10/14 09:41
回复
举报
《关于mysql如何存储emoji表情和复杂字体如何能水上一大篇文章的讨论》
09/24 15:36
回复
举报
overland888博主
学习了
10/14 09:41
回复
举报
更多评论
打赏
12 评论
9 收藏
3
分享
返回顶部
顶部