資料庫字符集utf8與utf8mb4

2021-08-21 06:21:54 字數 2712 閱讀 1153

最近我遇到了乙個bug,我試著通過rails在以「utf8」編碼的mariadb中儲存乙個utf-8字串,然後出現了乙個離奇的錯誤:

__mon jun 25 2018 10:35:56 gmt+0800 (cst)____mon jun 25 2018 10:35:56 gmt+0800 (cst)__incorrect string value: 『\xf0\x9f\x98\x83 <…』 for column 『summary』 at row 1__mon jun 25 2018 10:35:56 gmt+0800 (cst)____mon jun 25 2018 10:35:56 gmt+0800 (cst)__
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,就連要儲存的這個字串「 <…」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」只支援每個字元最多三個位元組,而真正的utf-8是每個字元最多四個位元組。

mysql一直沒有修復這個bug,他們在2023年發布了乙個叫作「utf8mb4」的字符集,繞過了這個問題。

當然,他們並沒有對新的字符集廣而告之(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:

我要在這裡澄清一下: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」。

我們都知道,計算機使用0和1來儲存文字。比如字元「c」被存成「01000011」,那麼計算機在顯示這個字元時需要經過兩個步驟:

計算機讀取「01000011」,得到數字67,因為67被編碼成「01000011」。

計算機在unicode字符集中查詢67,找到了「c」。

同樣的:

我的電腦將「c」對映成unicode字符集中的67。

我的電腦將67編碼成「01000011」,並傳送給web伺服器。

幾乎所有的網路應用都使用了unicode字符集,因為沒有理由使用其他字符集。

unicode字符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,計算機將32位視為數字,而計算機最在行的就是處理數字。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。

mysql的「utf8」字符集與其他程式不相容,它所謂的「」,可能真的是一坨……

為什麼mysql開發者會讓「utf8」失效?我們或許可以從提交日誌中尋找答案。

mysql從4.1版本開始支援utf-8,也就是2023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)最多支援每個字元6個位元組。2023年3月28日,mysql開發者在第乙個mysql 4.1預覽版中使用了rfc 2279。

同年9月,他們對mysql源**進行了一次調整:「utf8現在最多隻支援3個位元組的序列」。

是誰提交了這些**?他為什麼要這樣做?這個問題不得而知。在遷移到git後(mysql最開始使用的是bitkeeper),mysql**庫中的很多提交者的名字都丟失了。2023年9月的郵件列表中也找不到可以解釋這一變更的線索。

不過我可以試著猜測一下。

2023年,mysql做出了乙個決定:如果使用者可以保證資料表的每一行都使用相同的位元組數,那麼mysql就可以在效能方面來乙個大提公升。為此,使用者需要將文字列定義為「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,後面超出部分會被截斷。

mysql開發者在最開始嘗試utf-8時使用了每個字元6個位元組,char(1)使用6個位元組,char(2)使用12個位元組,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發布。但是文件上卻這麼寫了,而且廣為流傳,所有了解utf-8的人都認同文件裡寫的東西。

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2023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,卻無法儲存像「」這樣的字元。

在這個不合法的字符集發布了之後,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2023年重新發布了「utf8mb4」來支援真正的utf-8。

因為這個問題,我整整抓狂了乙個禮拜。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乙個,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符集,它給我們帶來了新問題,卻一直沒有得到解決。

如果你在使用mysql或mariadb,不要用「utf8」編碼,改用「utf8mb4」。這裡(mathiasbynens.be/notes/mysql…)提供了乙個指南用於將現有資料庫的字元編碼從「utf8」轉成「utf8mb4」。

字符集GBK公升級UTF8

在生產環境中,資料庫字符集因為各種原因需要公升級,比如為了支援漢字,從latin1字符集公升級到gbk,後面為了支援多個語言文字,需要將gbk公升級到utf8等。遷移過程網上有很多,我今天主要想講下字符集轉換後,可能對業務產生的影響,我以gbk轉換到utf8為例說明。主要有兩點 漢字在gbk編碼中佔...

MySQL字符集utf8與utf8mb4

mysql在5.5.3之後增加了這個utf8mb4的編碼,mb4就是most bytes 4的意思,專門用來相容四位元組的unicode。mysql支援的 utf8 編碼最大字元長度為 3 位元組,如果遇到 4 位元組的寬字元就會插入異常了。三個位元組的 utf 8 最大能編碼的 unicode 字...

修改mysql資料庫字符集為UTF8

一 修改my.ini配置檔案 mysql配置檔案 character set server utf8 設定字符集 重啟mysql資料庫服務 檢視當前資料庫字符集 show variables like character 二 修改資料庫字符集 alter database 資料庫名 characte...