記住 永遠不要在 MySQL 中使用 UTF 8

2021-09-19 13:18:02 字數 2676 閱讀 1968

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:

incorrect string value: 『\xf0\x9f\x98\x83 <…』 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 2010 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 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)最多支援每個字元 6 個位元組。2002 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。2003 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。

2002 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 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 2010 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(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」。

英文原文:

記住,永遠不要在MySQL中使用「utf8」

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 incorrect string value xf0 x9f x98 x83 u0026lt for column summary at row 1 我用的是utf 8...

記住,永遠不要在MySQL中使用「utf8」

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 incorrect string value xf0 x9f x98 x83 u0026lt for column summary at row 1 我用的是utf 8...

記住,永遠不要在MySQL中使用「utf8」

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 incorrect string value xf0 x9f x98 x83 u0026lt for column summary at row 1 我用的是utf 8...