最近我遇到了一個bug，我試著透過Rails在以「utf8」編碼的MariaDB中保存一個UTF-8字串，然後出現了一個離奇的錯誤：
Incorrect stringvalue: ‘ð <…’ for column ‘summary’ at row 1
我用的是UTF-8編碼的客戶端，伺服器也是UTF-8編碼的，資料庫也是，就連要保存的這個字串「😃 <…」也是合法的UTF-8。
問題的癥結在於，MySQL的「utf8」實際上不是真正的UTF-8。
「utf8」只支持每個字元最多三個字節，而真正的UTF-8是每個字元最多四個字節。
MySQL一直沒有修復這個bug，他們在2010年釋出了一個叫作「utf8mb4」的字元集，繞過了這個問題。
當然，他們並沒有對新的字元集廣而告之（可能是因為這個bug讓他們覺得很尷尬），以致於現在網路上仍然在建議開發者使用「utf8」，但這些建議都是錯誤的。
簡單概括如下：
MySQL的「utf8mb4」是真正的「UTF-8」。
MySQL的「utf8」是一種「專屬的編碼」，它能夠編碼的Unicode字元並不多。
我要在這裏澄清一下：所有在使用「utf8」的MySQL和MariaDB使用者都應該改用「utf8mb4」，永遠都不要再使用「utf8」。
1
那麽什麽是編碼？什麽是UTF-8？
我們都知道，電腦使用0和1來儲存文本。比如字元「C」被存成「01000011」，那麽電腦在顯示這個字元時需要經過兩個步驟：
電腦讀取「01000011」，得到數位67，因為67被編碼成「01000011」。
電腦在Unicode字元集中尋找67，找到了「C」。
同樣的：
我的電腦將「C」對映成Unicode字元集中的67。
我的電腦將67編碼成「01000011」，並行送給Web伺服器。
幾乎所有的網路套用都使用了Unicode字元集，因為沒有理由使用其他字元集。
Unicode字元集包含了上百萬個字元。最簡單的編碼是UTF-32，每個字元使用32位元。這樣做最簡單，因為一直以來，電腦將32位元視為數位，而電腦最在行的就是處理數位。但問題是，這樣太浪費空間了。
UTF-8可以節省空間，在UTF-8中，字元「C」只需要8位元，一些不常用的字元，比如「」需要32位元。其他的字元可能使用16位元或24位元。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」字元集與其他程式不相容，它所謂的「」，可能真的是一坨…
ChatGPT中文網站：https://aigc.cxyquan.com
2
MySQL簡史
為什麽MySQL開發者會讓「utf8」失效？我們或授權以從送出日誌中尋找答案。
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標準（RFC 3629）是隨後才出現的。
舊版的UTF-8標準（RFC 2279）最多支持每個字元6個字節。2002年3月28日，MySQL開發者在第一個MySQL 4.1預覽版中使用了RFC 2279。
同年9月，他們對MySQL原始碼進行了一次調整：「UTF8現在最多只支持3個字節的序列」。
是誰送出了這些程式碼？他為什麽要這樣做？這個問題不得而知。在遷移到Git後（MySQL最開始使用的是BitKeeper），MySQL程式碼庫中的很多送出者的名字都遺失了。2003年9月的信件列表中也找不到可以解釋這一變更的線索。
不過我可以試著猜測一下。
2002年，MySQL做出了一個決定：如果使用者可以保證數據表的每一行都使用相同的字節數，那麽MySQL就可以在效能方面來一個大提升。為此，使用者需要將文本列定義為「CHAR」，每個「CHAR」列總是擁有相同數量的字元。如果插入的字元少於定義的數量，MySQL就會在後面填充空格，如果插入的字元超過了定義的數量，後面超出部份會被截斷。
MySQL開發者在最開始嘗試UTF-8時使用了每個字元6個字節，CHAR(1)使用6個字節，CHAR(2)使用12個字節，並以此類推。
應該說，他們最初的行為才是正確的，可惜這一版本一直沒有釋出。但是文件上卻這麽寫了，而且廣為流傳，所有了解UTF-8的人都認同文件裏寫的東西。
不過很顯然，MySQL開發者或廠商擔心會有使用者做這兩件事：
使用CHAR定義列（在現在看來，CHAR已經是老古董了，但在那時，在MySQL中使用CHAR會更快，不過從2005年以後就不是這樣子了）。
將CHAR列的編碼設定為「utf8」。
我的猜測是MySQL開發者本來想幫助那些希望在空間和速度上雙贏的使用者，但他們搞砸了「utf8」編碼。
所以結果就是沒有贏家。那些希望在空間和速度上雙贏的使用者，當他們在使用「utf8」的CHAR列時，實際上使用的空間比預期的更大，速度也比預期的慢。而想要正確性的使用者，當他們使用「utf8」編碼時，卻無法保存像「」這樣的字元。
在這個不合法的字元集釋出了之後，MySQL就無法修復它，因為這樣需要要求所有使用者重新構建他們的資料庫。最終，MySQL在2010年重新釋出了「utf8mb4」來支持真正的UTF-8。
3
為什麽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，網路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元集，它給我們帶來了新問題，卻一直沒有得到解決。
4
總結
如果你在使用MySQL或MariaDB，不要用「utf8」編碼，改用「utf8mb4」。這裏（ https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4 ）提供了一個指南用於將現有資料庫的字元編碼從「utf8」轉成「utf8mb4」。
<END>
點這裏👇關註我，記得標星呀～
往期精選：
GPT中文網站
可以在國內同GPT直接進行對話，支持ChatGPT4.0 和 Midjourney繪圖，簡直太方便了，今天新註冊的直接送4.0提問次數 ！
感謝你的分享，點贊，在看三連
