記住永遠(yuǎn)不要在 MySQL 中利用 UTF-8

2024-07-24 12:34:33

字體：大中小

供稿：網(wǎng)友

　　最近我遇到了一個(gè)bug，我試著通過(guò)Rails在以“utf8”編碼的MariaDB中保存一個(gè)UTF-8字符串，然后出現(xiàn)了一個(gè)離奇的錯(cuò)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(kù)也是，就連要保存的這個(gè)字符串“ <…”也是合法的UTF-8。

　　問(wèn)題的癥結(jié)在于，MySQL的“utf8”實(shí)際上不是真正的UTF-8。

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

　　MySQL一直沒(méi)有修復(fù)這個(gè)bug，他們?cè)?010年發(fā)布了一個(gè)叫作“utf8mb4”的字符集，繞過(guò)了這個(gè)問(wèn)題。

　　當(dāng)然，他們并沒(méi)有對(duì)新的字符集廣而告之（可能是因?yàn)檫@個(gè)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(cuò)誤的。

　　簡(jiǎn)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(yuǎn)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(jì)算機(jī)使用0和1來(lái)存儲(chǔ)文本。比如字符“C”被存成“01000011”，那么計(jì)算機(jī)在顯示這個(gè)字符時(shí)需要經(jīng)過(guò)兩個(gè)步驟：

　　1.計(jì)算機(jī)讀取“01000011”，得到數(shù)字67，因?yàn)?7被編碼成“01000011”。

　　2.計(jì)算機(jī)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。

　　幾乎所有的網(wǎng)絡(luò)應(yīng)用都使用了Unicode字符集，因?yàn)闆](méi)有理由使用其他字符集。

　　Unicode字符集包含了上百萬(wàn)個(gè)字符。最簡(jiǎn)單的編碼是UTF-32，每個(gè)字符使用32位。這樣做最簡(jiǎn)單，因?yàn)橐恢币詠?lái)，計(jì)算機(jī)將32位視為數(shù)字，而計(jì)算機(jī)最在行的就是處理數(shù)字。但問(wèn)題是，這樣太浪費(fèi)空間了。

　　UTF-8可以節(jié)省空間，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。一篇類似本文這樣的文章，如果使用UTF-8編碼，占用的空間只有UTF-32的四分之一左右。

　　MySQL的“utf8”字符集與其他程序不兼容，它所謂的“”，可能真的是一坨……

　　MySQL簡(jiǎn)史
　　為什么MySQL開發(fā)者會(huì)讓“utf8”失效？我們或許可以從提交日志中尋找答案。

　　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(biāo)準(zhǔn)（RFC 3629）是隨后才出現(xiàn)的。

　　舊版的UTF-8標(biāo)準(zhǔn)（RFC 2279）最多支持每個(gè)字符6個(gè)字節(jié)。2002年3月28日，MySQL開發(fā)者在第一個(gè)MySQL 4.1預(yù)覽版中使用了RFC 2279。

　　同年9月，他們對(duì)MySQL源代碼進(jìn)行了一次調(diào)整：“UTF8現(xiàn)在最多只支持3個(gè)字節(jié)的序列”。

　　是誰(shuí)提交了這些代碼？他為什么要這樣做？這個(gè)問(wèn)題不得而知。在遷移到Git后（MySQL最開始使用的是BitKeeper），MySQL代碼庫(kù)中的很多提交者的名字都丟失了。2003年9月的郵件列表中也找不到可以解釋這一變更的線索。

　　不過(guò)我可以試著猜測(cè)一下。

　　2002年，MySQL做出了一個(gè)決定：如果用戶可以保證數(shù)據(jù)表的每一行都使用相同的字節(jié)數(shù)，那么MySQL就可以在性能方面來(lái)一個(gè)大提升。為此，用戶需要將文本列定義為“CHAR”，每個(gè)“CHAR”列總是擁有相同數(shù)量的字符。如果插入的字符少于定義的數(shù)量，MySQL就會(huì)在后面填充空格，如果插入的字符超過(guò)了定義的數(shù)量，后面超出部分會(huì)被截?cái)唷?br />
　　MySQL開發(fā)者在最開始嘗試UTF-8時(shí)使用了每個(gè)字符6個(gè)字節(jié)，CHAR(1)使用6個(gè)字節(jié)，CHAR(2)使用12個(gè)字節(jié)，并以此類推。

　　應(yīng)該說(shuō)，他們最初的行為才是正確的，可惜這一版本一直沒(méi)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(rèn)同文檔里寫的東西。

　　不過(guò)很顯然，MySQL開發(fā)者或廠商擔(dān)心會(huì)有用戶做這兩件事：

　　1.使用CHAR定義列（在現(xiàn)在看來(lái)，CHAR已經(jīng)是老古董了，但在那時(shí)，在MySQL中使用CHAR會(huì)更快，不過(guò)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(cè)是MySQL開發(fā)者本來(lái)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(méi)有贏家。那些希望在空間和速度上雙贏的用戶，當(dāng)他們?cè)谑褂?ldquo;utf8”的CHAR列時(shí)，實(shí)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(dāng)他們使用“utf8”編碼時(shí)，卻無(wú)法保存像“”這樣的字符。

　　在這個(gè)不合法的字符集發(fā)布了之后，MySQL就無(wú)法修復(fù)它，因?yàn)檫@樣需要要求所有用戶重新構(gòu)建他們的數(shù)據(jù)庫(kù)。最終，MySQL在2010年重新發(fā)布了“utf8mb4”來(lái)支持真正的UTF-8。

　　為什么這件事情會(huì)讓人如此抓狂
　　因?yàn)檫@個(gè)問(wèn)題，我整整抓狂了一個(gè)禮拜。我被“utf8”愚弄了，花了很多時(shí)間才找到這個(gè)bug。但我一定不是唯一的一個(gè)，網(wǎng)絡(luò)上幾乎所有的文章都把“utf8”當(dāng)成是真正的UTF-8。

　　“utf8”只能算是個(gè)專有的字符集，它給我們帶來(lái)了新問(wèn)題，卻一直沒(méi)有得到解決。

　　總結(jié)
　　如果你在使用MySQL或MariaDB，不要用“utf8”編碼，改用“utf8mb4”。這里（ https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4 ）提供了一個(gè)指南用于將現(xiàn)有數(shù)據(jù)庫(kù)的字符編碼從“utf8”轉(zhuǎn)成“utf8mb4”。

（編輯：武林網(wǎng)）

上一篇：MYSQL中查詢數(shù)據(jù)庫(kù)設(shè)定多大剩余空間是多少

下一篇：mysql兼mariadb安裝過(guò)程解說(shuō)