記住永遠不要在 MySQL 中運用 UTF-8

2024-07-24 12:32:44

字體：大中小

供稿：網(wǎng)友

最近我遇到了一個bug，我試著通過Rails在以“utf8”編碼的MariaDB中保存一個UTF-8字符串，然后出現(xiàn)了一個離奇的錯誤：

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(wù)器也是UTF-8編碼的，數(shù)據(jù)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(jié)在于，MySQL的“utf8”實際上不是真正的UTF-8。

“utf8”只支持每個字符最多三個字節(jié)，而真正的UTF-8是每個字符最多四個字節(jié)。

MySQL一直沒有修復(fù)這個bug，他們在2010年發(fā)布了一個叫作“utf8mb4”的字符集，繞過了這個問題。

當然，他們并沒有對新的字符集廣而告之（可能是因為這個bug讓他們覺得很尷尬），以致于現(xiàn)在網(wǎng)絡(luò)上仍然在建議開發(fā)者使用“utf8”，但這些建議都是錯誤的。

簡單概括如下：

1.MySQL的“utf8mb4”是真正的“UTF-8”。

2.MySQL的“utf8”是一種“專屬的編碼”，它能夠編碼的Unicode字符并不多。

我要在這里澄清一下：所有在使用“utf8”的MySQL和MariaDB用戶都應(yīng)該改用“utf8mb4”，永遠都不要再使用“utf8”。

那么什么是編碼？什么是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”，那么計算機在顯示這個字符時需要經(jīng)過兩個步驟：

1.計算機讀取“01000011”，得到數(shù)字67，因為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”，并發(fā)送給Web服務(wù)器。

應(yīng)該說，他們最初的行為才是正確的，可惜這一版本一直沒有發(fā)布。但是文檔上卻這么寫了，而且廣為流傳，所有了解UTF-8的人都認同文檔里寫的東西。

不過很顯然，MySQL開發(fā)者或廠商擔心會有用戶做這兩件事：

1.使用CHAR定義列（在現(xiàn)在看來，CHAR已經(jīng)是老古董了，但在那時，在MySQL中使用CHAR會更快，不過從2005年以后就不是這樣子了）。

2.將CHAR列的編碼設(shè)置為“utf8”。

我的猜測是MySQL開發(fā)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(jié)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(yù)期的更大，速度也比預(yù)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。

在這個不合法的字符集發(fā)布了之后，MySQL就無法修復(fù)它，因為這樣需要要求所有用戶重新構(gòu)建他們的數(shù)據(jù)庫。最終，MySQL在2010年重新發(fā)布了“utf8mb4”來支持真正的UTF-8。

為什么這件事情會讓人如此抓狂
因為這個問題，我整整抓狂了一個禮拜。我被“utf8”愚弄了，花了很多時間才找到這個bug。但我一定不是唯一的一個，網(wǎng)絡(luò)上幾乎所有的文章都把“utf8”當成是真正的UTF-8。

“utf8”只能算是個專有的字符集，它給我們帶來了新問題，卻一直沒有得到解決。

（編輯：武林網(wǎng)）

上一篇：mysql主從拷貝原理

下一篇：JDB2致使磁盤io使用率高導(dǎo)致mysql延遲過高