目錄
一、報錯回顧
二、MySQL中utf8的趣事
1、 utf8mb4 才是真正的UTF-8
2、 utf8 的簡史
三、總結
記得去年我在往MySQL存入emoji表情😲😳時，一直出錯，無法匯入。後來找到辦法——透過把utf8改成utf8mb4就可以了，並沒有深究。
一年後，我看到一篇文章講到emoji文字占4個字節，通常要用utf-8去接收才行，其他編碼可能會出錯。我突然想到去年操作MySQL把utf8改成utf8mb4的事兒。
嗯？他本身不就是utf8編碼麽！那我當時還改個錘子？
難道，MySQL的utf8不是真正的UTF-8編碼嗎？？! 天啊這……MySQL有bug！
帶著疑問查詢了很多相關材料，才發現這竟然是MySQL的一個歷史遺留問題~我笑了，沒想到這麽牛的MySQL也會有這段往事。
一、報錯回顧
將emoji文字直接寫入SQL中，執行insert語句報錯；
INSERT INTO `csjdemo`.`student` (`ID`, `NAME`, `SEX`, `AGE`, ` class`, `GRADE`, `HOBBY`) VALUES ('20', '陳哈哈😓', '男', '20', '181班', '9年級', '看片兒');
[Err] 1366 - Incorrect string value: '\xF0\x9F\x98\x93' for column 'NAME' at row 1
改了資料庫編碼、系統編碼以及表欄位的編碼格式 → utf8mb4 之後，就可以了：
INSERTINTO`student` (`ID`, `NAME`, `SEX`, `AGE`, ` class`, `GRADE`, `HOBBY`) VALUES (null, '陳哈哈😓😓', '男', '20', '181班', '9年級', '看片兒');
二、MySQL中utf8的趣事
MySQL 的「utf8」實際上不是真正的 UTF-8。
在MySQL中，「utf8」編碼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。
在utf8編碼中，中文是占3個字節，其他數位、英文、符號占一個字節。
但emoji符號占4個字節，一些較復雜的文字、繁體字也是4個字節。所以導致寫入失敗，應該改成 utf8mb4 。
如上圖中所示，這是編碼改成utf8mb4後入庫的數據，大家可以清晰地對比一下所占的字元數、字節數。正因如此，4字節的內容往utf8編碼中插入，肯定是不行的，插不進去啊，是吧（大潘攤手）。
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，巧妙地繞過了這個問題。
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。
1. utf8mb4 才是真正的UTF-8
是的，MySQL 的「utf8mb4」才是真正的「UTF-8」。
MySQL 的「utf8」是一種「專屬的編碼」，它能夠編碼的 Unicode 字元並不多。
在這裏Mark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」。
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。這樣做最簡單，因為一直以來，電腦將 32 位視為數位，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，一些不常用的字元，比如「😓」需要 32 位。其他的字元可能使用 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。
2. utf8 的簡史
為什麽 MySQL 開發者會讓「utf8」失效？我們或授權以從MySQL版本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。
不過我們可以試著猜測一下：
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，因為「😓」是4個字節的。
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。
三、總結
主要是目前網路上幾乎所有的文章都把 「utf8」 當成是真正的 UTF-8，包括之前我寫的文章以及做的計畫（捂臉）；因此希望更多的朋友能夠看到這篇文章。
相信還有很多跟我在同一條船上的人，這是必然的。
所以，大家以後再搭建 MySQL、MariaDB資料庫時，記得將資料庫相應編碼都改為utf8mb4 。終有一天，接你班兒的程式設計師或你的領導發現這個問題後，一定會在心裏默默贊嘆你的技術力。
作者丨_陳哈哈
來源丨blog.csdn.net/qq_39390545/article/details/106946166
dbaplus社群歡迎廣大技術人員投稿，投稿信箱： [email protected]
