最近我遇到了一个 bug, 我试着通过 Rails 在以 "utf8" 编码的 MariaDB 中保存一个 UTF-8 字符串, 然后出现了一个离奇的错误:
Incorrect string value: '\xF0\x9F\x98\x83 <...' for column 'summary' at row 1
我用的是 UTF-8 编码的客户端, 服务器也是 UTF-8 编码的, 数据库也是, 就连要保存的这个字符串 "<..." 也是合法的 UTF-8.
罗辑思维 Go 语言微服务改造完整过程 阿里菜鸟全球跨域 RPC 架构实践痛点难点 滴滴地图引擎架构实践和 AI 技术应用 智能合约为区块链的落地应用提供了基础环境, 基于智能合约我们能做哪些事情? 华为云拼了! 这动作预示云服务市场竞争越来越激烈!
问题的症结在于, MySQL 的 "utf8" 实际上不是真正的 UTF-8.
"utf8" 只支持每个字符最多三个字节, 而真正的 UTF-8 是每个字符最多四个字节.
MySQL 一直没有修复这个 bug, 他们在 2010 年发布了一个叫作 "utf8mb4" 的字符集, 绕过了这个问题.
当然, 他们并没有对新的字符集广而告之(可能是因为这个 bug 让他们觉得很尴尬), 以致于现在网络上仍然在建议开发者使用 "utf8", 但这些建议都是错误的.
简单概括如下:
MySQL 的 "utf8mb4" 是真正的 "UTF-8".
MySQL 的 "utf8" 是一种 "专属的编码", 它能够编码的 Unicode 字符并不多.
我要在这里澄清一下: 所有在使用 "utf8" 的 MySQL 和 MariaDB 用户都应该改用 "utf8mb4", 永远都不要再使用 "utf8".
那么什么是编码? 什么是 UTF-8?
我们都知道, 计算机使用 0 和 1 来存储文本. 比如字符 "C" 被存成 "01000011", 那么计算机在显示这个字符时需要经过两个步骤:
计算机读取 "01000011", 得到数字 67, 因为 67 被编码成 "01000011".
计算机在 Unicode 字符集中查找 67, 找到了 "C".
同样的:
我的电脑将 "C" 映射成 Unicode 字符集中的 67.
我的电脑将 67 编码成 "01000011", 并发送给 web 服务器.
几乎所有的网络应用都使用了 Unicode 字符集, 因为没有理由使用其他字符集.
Unicode 字符集包含了上百万个字符. 最简单的编码是 UTF-32, 每个字符使用 32 位. 这样做最简单, 因为一直以来, 计算机将 32 位视为数字, 而计算机最在行的就是处理数字. 但问题是, 这样太浪费空间了.
UTF-8 可以节省空间, 在 UTF-8 中, 字符 "C" 只需要 8 位, 一些不常用的字符, 比如 "" 需要 32 位. 其他的字符可能使用 16 位或 24 位. 一篇类似本文这样的文章, 如果使用 UTF-8 编码, 占用的空间只有 UTF-32 的四分之一左右.
MySQL 的 "utf8" 字符集与其他程序不兼容, 它所谓的 "", 可能真的是一坨......
MySQL 简史
为什么 MySQL 开发者会让 "utf8" 失效? 我们或许可以从提交日志中寻找答案.
MySQL 从 4.1 版本开始支持 UTF-8, 也就是 2003 年, 而今天使用的 UTF-8 标准 (RFC 3629) 是随后才出现的.
旧版的 UTF-8 标准 (RFC 2279) 最多支持每个字符 6 个字节. 2002 年 3 月 28 日, MySQL 开发者在第一个 MySQL 4.1 预览版中使用了 RFC 2279.
同年 9 月, 他们对 MySQL 源代码进行了一次调整:"UTF8 现在最多只支持 3 个字节的序列".
是谁提交了这些代码? 他为什么要这样做? 这个问题不得而知. 在迁移到 Git 后(MySQL 最开始使用的是 BitKeeper),MySQL 代码库中的很多提交者的名字都丢失了. 2003 年 9 月的邮件列表中也找不到可以解释这一变更的线索.
不过我可以试着猜测一下.
2002 年, MySQL 做出了一个决定: 如果用户可以保证数据表的每一行都使用相同的字节数, 那么 MySQL 就可以在性能方面来一个大提升. 为此, 用户需要将文本列定义为 "CHAR", 每个 "CHAR" 列总是拥有相同数量的字符. 如果插入的字符少于定义的数量, MySQL 就会在后面填充空格, 如果插入的字符超过了定义的数量, 后面超出部分会被截断.
MySQL 开发者在最开始尝试 UTF-8 时使用了每个字符 6 个字节, CHAR(1)使用 6 个字节, CHAR(2)使用 12 个字节, 并以此类推.
应该说, 他们最初的行为才是正确的, 可惜这一版本一直没有发布. 但是文档上却这么写了, 而且广为流传, 所有了解 UTF-8 的人都认同文档里写的东西.
不过很显然, MySQL 开发者或厂商担心会有用户做这两件事:
使用 CHAR 定义列(在现在看来, CHAR 已经是老古董了, 但在那时, 在 MySQL 中使用 CHAR 会更快, 不过从 2005 年以后就不是这样子了).
将 CHAR 列的编码设置为 "utf8".
我的猜测是 MySQL 开发者本来想帮助那些希望在空间和速度上双赢的用户, 但他们搞砸了 "utf8" 编码.
所以结果就是没有赢家. 那些希望在空间和速度上双赢的用户, 当他们在使用 "utf8" 的 CHAR 列时, 实际上使用的空间比预期的更大, 速度也比预期的慢. 而想要正确性的用户, 当他们使用 "utf8" 编码时, 却无法保存像 "" 这样的字符.
在这个不合法的字符集发布了之后, MySQL 就无法修复它, 因为这样需要要求所有用户重新构建他们的数据库. 最终, MySQL 在 2010 年重新发布了 "utf8mb4" 来支持真正的 UTF-8.
为什么这件事情会让人如此抓狂
因为这个问题, 我整整抓狂了一个礼拜. 我被 "utf8" 愚弄了, 花了很多时间才找到这个 bug. 但我一定不是唯一的一个, 网络上几乎所有的文章都把 "utf8" 当成是真正的 UTF-8.
"utf8" 只能算是个专有的字符集, 它给我们带来了新问题, 却一直没有得到解决.
总结
如果你在使用 MySQL 或 MariaDB, 不要用 "utf8" 编码, 改用 "utf8mb4". 这里 ( https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4 ) 提供了一个指南用于将现有数据库的字符编码从 "utf8" 转成 "utf8mb4".
来源: http://www.infoq.com/cn/articles/in-mysql-never-use-utf8-use-utf8