共计 2984 个字符,预计需要花费 8 分钟才能阅读完成。
记得去年我在往 MySQL 存入 emoji 表情 时,始终出错,无奈导入。起初找到方法 — 通过把 utf8 改成 utf8mb4 就能够了,并没有深究。
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 去接管才行,其余编码可能会出错。我忽然想到去年操作 MySQL 把 utf8 改成 utf8mb4 的事儿。
嗯?他自身不就是 utf8 编码么!那我过后还改个锤子?
难道,MySQL 的 utf8 不是真正的 UTF- 8 编码吗??! 卧槽这。。MySQL 有 bug!
带着疑难查问了很多相干资料,才发现这居然是 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。
一、报错回顾
将 emoji 文字间接写入 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');
[Err] 1366 – Incorrect string value: ‘xF0x9Fx98x93’ for column ‘NAME’ at row 1
改了数据库编码、零碎编码以及表字段的编码格局 → utf8mb4 之后,就能够了:
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');
二、MySQL 中 utf8 的趣事
MySQL 的“utf8”实际上不是真正的 UTF-8。
在 MySQL 中,“utf8”编码只反对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,其余数字、英文、符号占一个字节。
但 emoji 符号占 4 个字节,一些较简单的文字、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,大家能够清晰的比照一下所占的字符数、字节数。正因如此,4 字节的内容往 utf8 编码中插入,必定是不行的,插不进去啊,是吧(大潘摊手)。
MySQL 始终没有修复这个 bug,他们在 2010 年公布了一个叫作“utf8mb4”的字符集,奇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 让他们感觉很难堪),以致于当初网络上依然在倡议开发者应用“utf8”,但这些倡议都是谬误的。
1. 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”,它可能编码的 Unicode 字符并不多。
在这里 Mark 一下: 所有在应用“utf8”的 MySQL 和 MariaDB 用户都应该改用“utf8mb4”,永远都不要再应用“utf8”。
那么什么是编码?什么是 UTF-8?
咱们都晓得,计算机应用 0 和 1 来存储文本。比方字符“C”被存成“01000011”,那么计算机在显示这个字符时须要通过两个步骤:
- 计算机读取“01000011”,失去数字 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。
简直所有的网络应用都应用了 Unicode 字符集,因为没有理由应用其余字符集。
Unicode 字符集蕴含了上百万个字符。最简略的编码是 UTF-32,每个字符应用 32 位。这样做最简略,因为始终以来,计算机将 32 位视为数字,而计算机最在行的就是解决数字。但问题是,这样太节约空间了。
UTF-8 能够节俭空间,在 UTF-8 中,字符“C”只须要 8 位,一些不罕用的字符,比方“”须要 32 位。其余的字符可能应用 16 位或 24 位。一篇相似本文这样的文章,如果应用 UTF-8 编码,占用的空间只有 UTF-32 的四分之一左右。
2. utf8 的简史
为什么 MySQL 开发者会让“utf8”生效? 咱们或者能够从 MySQL 版本提交日志中寻找答案。
MySQL 从 4.1 版本开始反对 UTF-8,也就是 2003 年,而明天应用的 UTF-8 规范(RFC 3629)是随后才呈现的。
旧版的 UTF-8 规范(RFC 2279)最多反对每个字符 6 个字节。2002 年 3 月 28 日,MySQL 开发者在第一个 MySQL 4.1 预览版中应用了 RFC 2279。
同年 9 月,他们对 MySQL 源代码进行了一次调整:“UTF8 当初最多只反对 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。在迁徙到 Git 后(MySQL 最开始应用的是 BitKeeper),MySQL 代码库中的很多提交者的名字都失落了。2003 年 9 月的邮件列表中也找不到能够解释这一变更的线索。
不过咱们能够试着猜想一下:
2002 年,MySQL 做出了一个决定:如果用户能够保障数据表的每一行都应用雷同的字节数,那么 MySQL 就能够在性能方面来一个大晋升。为此,用户须要将文本列定义为“CHAR”,每个“CHAR”列总是领有雷同数量的字符。如果插入的字符少于定义的数量,MySQL 就会在前面填充空格,如果插入的字符超过了定义的数量,前面超出局部会被截断。
MySQL 开发者在最开始尝试 UTF-8 时应用了每个字符 6 个字节,CHAR(1) 应用 6 个字节,CHAR(2) 应用 12 个字节,并以此类推。
应该说,他们最后的行为才是正确的,惋惜这一版本始终没有公布。然而文档上却这么写了,而且广为流传,所有理解 UTF-8 的人都认同文档里写的货色。
不过很显然,MySQL 开发者或厂商放心会有用户做这两件事:
- 应用 CHAR 定义列(在当初看来,CHAR 曾经是老古董了,但在那时,在 MySQL 中应用 CHAR 会更快,不过从 2005 年当前就不是这样子了)。
- 将 CHAR 列的编码设置为“utf8”。
我的猜想是 MySQL 开发者原本想帮忙那些心愿在空间和速度上双赢的用户,但他们搞砸了“utf8”编码。
所以后果就是没有赢家。那些心愿在空间和速度上双赢的用户,当他们在应用“utf8”的 CHAR 列时,实际上应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,当他们应用“utf8”编码时,却无奈保留像“”这样的字符,因为“”是 4 个字节的。
在这个不非法的字符集公布了之后,MySQL 就无奈修复它,因为这样须要要求所有用户从新构建他们的数据库。最终,MySQL 在 2010 年从新公布了“utf8mb4”来反对真正的 UTF-8。
三、总结
次要是目前网络上简直所有的文章都把“utf8”当成是真正的 UTF-8,包含之前我写的文章以及做的我的项目(捂脸);因而心愿更多的敌人可能看到这篇文章。
置信还有很多跟我在同一条船上的人,这是必然的。
所以, 大家当前再搭建 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,肯定会在心里默默感到你的技术牛 B。
参考:《2020 最新 Java 根底精讲视频教程和学习路线!》
起源:MySQL 中的 utf8 并不是真正的 UTF- 8 编码 ! !