关于mysql:聊一聊MySQL的字符集

一、字符集概述

字符集（Character Set）是多个字符的汇合，字符集品种较多，每个字符集蕴含的字符个数不同，常见字符集名称：ASCII、GB2312、BIG5、Unicode等。

UTF(Unicode Tranformation Format)是Unicode的其中一个应用形式，即把Unicode转做某种格局的意思，包含UTF-8，UTF-16，UTF-32。

UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，又称万国码。

UTF-8用1到6个字节编码Unicode字符。用在网页上能够同一页面显示中文简体繁体及其它语言（如英文，日文，韩文）。

UTF-16应用一个或两个未调配的16位代码单元的序列对Unicode代码点进行编码。

UTF-32行将每一个Unicode代码点示意为雷同值的32位整数。

上面是UTF-8的编码方式：

一个字节：0xxxxxxx

二、MySQL的字符集

MySQL的字符集包含字符集（charset）和校对规定（collation）两个概念。

字符集定义了存储字符串的形式，校对规定定义了比拟字符串的形式。

MySQL8.0反对40多种字符集的270多种校对规定。

能够应用以下指令，来查看MySQL零碎反对的字符集和校对规定。如下：

mysql> show charset;

MySQL8.0之前创立表不指定字符集的话，默认采纳latin1字符集，MySQL8.0之后版本才改为默认utf8mb4(most bytes 4)字符集，昆仑数据库存储节点采纳的是MySQL8.0架构，当然也是默认utf8mb4。

UTF-8，在MySQL中写作utf8，真的有所不同。

MySQL从4.1版本开始反对utf8。可能过后的utf8还没有定义4-6个字节规范，或者MySQL设计者认为1-3个字节的utf8曾经够用了。

所以过后MySQL设计的utf8只反对1-3个字节的编码，不是残缺的utf8，这种编码方式始终保留至今。

尽管在MySQL在5.5.3之后减少了utf8mb4字符集，但一段时间开发人员都习惯采纳utf8等字符集来反对中文。

MySQL的utf8会导致一些4个字节编码的生僻汉字插入谬误。

还有当初APP端的emoji表情是4个字节的字符，如果不转码，间接更新到数据库也会报出异样。

历史起因导致MySQL的utf8常常让人误会，已经让很多开发人员吃了苦头，网上有些文章比方：“永远不要在MySQL中应用utf8”，看着都挺吓人。

当然过个几年4个字节的utf8mb4编码可能又不够用了，那MySQL又要减少utf8mb5、utf8mb6。

字符除了须要存储，还须要排序或比拟大小，波及与字符集绝对应的校对规定。在MySQL8.0中查看一下utf8mb4对应的校对规定：

mysql> show collationlike 'utf8mb4%';+----------------------------+---------+-----+---------+| Collation                  | Charset | Id  | Default |+----------------------------+---------+-----+---------+|utf8mb4_0900_ai_ci          | utf8mb4 |255 | Yes     ||utf8mb4_0900_as_ci          | utf8mb4 |305 |         ||utf8mb4_0900_as_cs          | utf8mb4 |278 |         ||utf8mb4_0900_bin            | utf8mb4 |309 |         || utf8mb4_bin                | utf8mb4 | 46 |         || ...................        |         |    |         |75 rows in set (0.00sec)

utf8mb4的校对规定默认utf8mb4_0900_ai_ci。其中0900示意Unicode版本9.0.0，后缀含意如下表：

+-------------+----------------------+-----------------+|   后缀       |          英文         |      形容       |+-------------+----------------------+-----------------+|   _ai       |  accent insensitive  |     不辨别重音   ||   _as       |   accent sensitive   |     辨别重音     ||   _ci       |   case insensitive   |    不辨别大小写  ||   _cs       |    case sensitive    |    辨别大小写    ||   _bin      |       binary         |    二进制比拟    |+-------------+----------------------+-----------------+

三、举例来解释一下MySQL的utf8字符集

创立两张表，别离为utf8和utf8mb4字符集：

CREATE TABLE tb_utf8(   `id` INT AUTO_INCREMENT,   `info` VARCHAR(8),   PRIMARY KEY (`id`))CHARSET=utf8;CREATE TABLE tb_utf8mb4(   `id` INT AUTO_INCREMENT,   `info` VARCHAR(8),   PRIMARY KEY (`id`)); #默认采纳utf8mb4

插入数据：

insert into tb_utf8(info) values("昆仑数据库");insert into tb_utf8(info) values("昆仑数据库A12");insert into tb_utf8(info) values("昆仑数据库A123");#超过8个字符失败了

查看一下表格数据，以及占用空间：

mysql> selectinfo,length(info) from tb_utf8;+--------------------+--------------+| info               | length(info) |+--------------------+--------------+|   昆仑数据库         |           15 ||   昆仑数据库A12      |           18 |+--------------------+--------------+2 rows in set (0.00sec)

能够看出utf8字符集中，个别的汉字占用3个字节，英文和数字占1个字节。

接下来试下4个字节的emoji表情包：

插入4个字节的emoji表情包失败了。

因为大部分SSH工具不反对4字节的UTF-8字符显示，笔者是间接在Ubuntu20零碎的Terminal做的演示。4字节的生僻汉字临时找不到反对的终端界面，这里就不演示了。

咱们在反对4个字节的utf8mb4表格中插入emoji表情包，并查看一下数据，以及占用空间：

最初咱们来看看校验规定，在tb_utf8mb4中插入一些数据：

insert into tb_utf8mb4(info) values("ABC");insert into tb_utf8mb4(info) values("Abc");insert into tb_utf8mb4(info) values("abc"); 

查看一下数据,三个记录都进去了：

mysql> select info from tb_utf8mb4 where info="abc";+------+| info |+------+| ABC  || Abc  || abc  |+------+3 rows in set (0.00 sec)

这种校对规定，对于网址，邮箱地址等不辨别大小写的场景非常好用，但如果咱们须要辨别大小写，能够批改一下校对规定：

alter table tb_utf8mb4 modify info varchar(8) collate utf8mb4_0900_as_cs;

再查看一下数据，这回只有一条记录满足：

mysql> select info from tb_utf8mb4 where info="abc";+------+| info |+------+| abc  |+------+1 row in set (0.00 sec)

MySQL的字符集就聊到这里，科普一下数据库的基础知识。

KunlunDB我的项目已开源

【GitHub：】
https://github.com/zettadb

【Gitee：】
https://gitee.com/zettadb

END