General error: 1366 Incorrect string value: '\xF0\x9F\x98\x8A' for column xxxx

解决ERROR 1366 (HY000): Incorrect string value: ‘\xE5\xB0\x8F\xE6\x98\x8E‘ for column ‘****‘ at row 1 解决ERROR 1366 (HY000): Incorrect string value: ‘\xE5\xB0\x8F\xE6\x98\x8E‘ for column '****' at row 1 阅读详情

今天调试接口往某个字段插入输入法表情,遇见mysql报错General error: 1366 Incorrect string value: '\xF0\x9F\x98\x8A' for column xxxx,网上查了下是mysql编码格式问题!mysql中的utf8只能存储1~3个字节长度的utf-8编码,而输入法的表情占4个字节长度,所以会报错!

解决方法:将mysql字符编码改成utf8mb4类型,我这里改了三项编码设置,数据库编码设置,表编码设置,字段编码设置,前两个改了不会同步到字段编码,建议还是先改字段编码再改其他两项

 

MySQL与PostgreSQL命令行数据导入实战指南 数据库批量导入是ETL和数据迁移的核心环节,其本质是服务端I/O优化过程。理解COPY(PostgreSQL)与LOAD DATA INFILE(MySQL)的底层直连机制,可规避GUI工具的网络序列化开销和内存瓶颈,实现百万级数据秒级写入。技术价值体现在稳定性、可控性与生产就绪性——支持错误行日志、字段映射、类型转换及WHERE过滤等工程能力。典型应用场景包括日志归档、BI报表初始化、跨库迁移及定时数据同步。本文聚焦原生命令行能力,深入解析字符集适配、权限配置、路径安全与表结构设计等高频实践痛点。 阅读详情

相关推荐

QT | QT打包生成单个EXE文件

1.以release方式运行程序 2.在release文件夹中找到.exe文件 如果没有找到exe,可能是因为在项目中勾选了shadow build,你可以在构建目录中找到exe 3.将exe放在一个新建的文件夹中,因为待会儿会生成很多dll文件 4.点击电脑左下角搜索QT,打开Qt 5.8 for Desktop (MinGQW 5.3.0 32bit) 5.进入刚刚新建的文件夹,输入wi...

⊳ideal world⊲~ヽ(゚︺゚)Hi 1239

报错 General error: 1366 Incorrect string value: ‘\xF0\x9F\x8D\x83‘ for column ‘per_name‘ at row 1

插入数据报错: SQLSTATE[HY000]: General error: 1366 Incorrect string value: ‘\xF0\x9F\x8D\x83’ for column ‘per_name’ at row 1。 产生错误原因是,入库字段设置的字节无法满足要求。一般文字字节在1-3之间,但是有些生僻字,例如产生此报错的文字是四个字节就无法入库而报错。 解决办法:将数据库此字段设置为 utf8mb4_general_ci 即可。 ...

lwaimj的博客 5076

三电平逆变器LC滤波设计避坑指南:从SVPWM谐波到Simulink仿真验证

本文详细解析了三电平逆变器LC滤波设计中的关键问题,从SVPWM谐波特性到Simulink仿真验证,提供了800V/10kW系统的参数计算方法和优化技巧。通过实际案例和仿真配置示例,帮助工程师避免常见设计误区,提升电能质量和系统稳定性。

weixin_29261711的博客 173

SQLSTATE[HY000]: General error: 1366 Incorrect string value: ‘\xF0\x9F\x98\x84‘ for column ‘content‘

事件前瞻:由于学习workerman来做socket通讯,所以做了一个类似与客服的系统,图片什么的都能存,唯独存入输入法里面的表情,确报错,报错内容:SQLSTATE[HY000]: General error: 1366 Incorrect string value: '\xF0\x9F\x98\x84' for column 'content' at row 1,截图附上: 打印结果: 问题分析: 在mysql 5.5 之前,UTF-8编码只支持1-3个字节,支持BMP这部分的Unico.

IT-Andy 7935

pycharm报错cannot start the IED:Error occurred during initialization of VMagent library failed...如何解决?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 1930

移动端实战指南:深入理解 & 接入 IAB OMSDK

OMSDK(OpenMeasurementSDK)是IABTechLab推出的标准化测量工具,用于统一移动端/原生App广告的可见性和验证流程。其核心包括Native库(采集设备数据)和OMID JavaScript层(实现通信),通过标准化接口让开发者只需接入一套SDK即可兼容多个测量厂商,减少冲突和性能损耗。v1.4版本强化了对CTV和原生App场景的支持,而v1.5新增了画中画检测等功能。集成流程需通过IAB技术实验室注册下载,并遵循严格的命名空间规则。测试阶段需嵌入验证脚本并通过指定工具验证

帅次的博客 1195

SQLSTATE[HY000]: General error: 1366 Incorrect string value

在Laravel项目的 storages/logs/Laravel.log看到的错误信息片段: SQLSTATE[HY000]: General error: 1366 Incorrect string value: '\xF0\x9F\x91\x8B\xF0\x9F...' for column 'name' at row 1 出错原因:检查数据库此字段的字符集与整理字符集是否与SQ...

weixin_30843605的博客 4149

如何实现在Go语言中替换程序自身

总结起来,我们可以通过将新的程序二进制文件写入磁盘,并在运行时启动这个新的程序来实现在Go语言中替换程序自身。在Go语言中,有时候我们需要在程序运行时替换程序自身,例如更新程序版本或者进行热重启。本文将介绍一种正确的方式来实现在Go语言中替换程序自身的方法,并提供相应的源代码示例。此外,替换程序自身可能会导致正在运行的程序产生意外行为或终止,请谨慎使用,并确保在合适的时机进行替换操作。实现替换程序自身的关键是将新的程序二进制文件写入到磁盘,并在运行时启动这个新的程序。函数启动新的可执行文件,并在后台运行。

HoUnix的博客 290

sql错误:SQLSTATE[HY000]: General error: 1366 Incorrect string value: '\xF0\x9F\x8D\x83' for column 'us

sql错误:SQLSTATE[HY000]: General error: 1366 Incorrect string value: '\xF0\x9F\x8D\x83' for column 'user_nickname' at row 1网上找的解决方法 网上找的解决方法 public function demo() { $str = "□测试,测试!123□"; //转换 G...

yywCode的博客 3835

FPGA实现DDR接口

verilog// DDR2控制器状态机// 初始化序列// 发出初始化命令endendendend// 自动预充电end// 其他状态...endcaseendend。

whm128的博客 1003

基于STM32的智能鱼缸设计

为了缓解学习、生活、工作带来的压力,提升生活品质,许多人喜欢在家中、办公室等场所养鱼。为节省鱼友时间、劳力、增加养鱼乐趣;为此,本文基于STM32单片机设计了一款智能鱼缸。该鱼缸可以实现水温检测、水质检测、自动或手动换水、氛围灯灯光变换和自动或手动喂食等功能为一体的控制系统,可通过控制键进行一键控制。...

1万+

General error: 1366 Incorrect string value: '\xF0\x9F\x98\x8A' for column

MYSQL错误: 今天向数据库插入一条数据时,有条数据的某个字段包含\xF0\x9F\x98\x8A字符,导致MYSQL数据库出现以下错误: General error: 1366 Incorrect string value: '\xF0\x9F\x98\x8A' for column ... 错误原因: 我们可以看到错误提示中的字符\xF0\x9F\x98\x8A ,这对应U...

晓晓攻城师的攻城之路 2万+

Microsemi Libero系列教程(全网首发)

关于Libero IDE和Libero SoC Libero分为Libero IDE和Libero SoC,Libero IDE最新版本是v9.2 SP3(2016年4月4日)已经不再更新维护了,而Libero SoC是Libero IDE的升级版,官方推荐的开发工具,文中的Libero指的是Libero SoC。 Libero SoC Libero® SoC是Microsemi(美高森美)官方...

whik1194的博客 2万+

易优cms General error: 1366 Incorrect string value: ‘\xF0\x9F\x98‘ for column ‘content‘ at Eyoucms快速入门

SQLSTATE[HY000]:Generalerror:1366Incorrectstringvalue:'\xF0\xA7\x92\xAD\xEF\xBC...'forcolumn'content'atrow1 请参考一下教程: 问题分析: 在mysql 5.5 之前,UTF-8编码只支持1-3个字节,支持BMP这部分的Unicode编码区;从MySQL 5.5开始,可以支持4个字节UTF编码 utf8mb4 ,一个字符能够支持更多的字符集,也能够支持...

PHP错误汇总 674

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

MySQL数据库常见错误排查与优化实战指南

数据库作为现代应用的核心组件,其稳定性和性能直接影响业务连续性。理解数据库工作原理,特别是SQL执行机制、事务与锁、存储引擎等核心概念,是高效排查问题的基石。从连接建立、SQL解析到事务处理,每个环节都可能因配置不当、资源瓶颈或并发冲突引发错误。掌握这些原理,能帮助开发者快速定位根因,例如连接池配置不当导致连接耗尽,或索引失效引发全表扫描。在工程实践中,通过性能模式(Performance Schema)监控SQL执行效率,结合慢查询日志分析,可以系统性地优化查询性能。对于高频出现的连接错误(如ERROR

weixin_33938733的博客 405

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

python连接SQL报错:1366, "Incorrect string value: '\\xF0\\x9F\\x98\\x81'

问题描述:Python从百度地图抓取消息保存到MySQL数据中,对应数据库字段为varchar以及TEXT,字符编码utf-8。部分插入成功,部分插入失败,报错如下。 error:1366, “Incorrect string value: ‘\xF0\x9F\x98\x81’是因为mysql不能识别4个字节的utf8编码的字符,抛出了异常,这应该也是问题的根源。☺、��、类似于这种4个字节,将

IT届的小学生 1万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

SQL执行报错Incorrect string value: ‘\xF0\x9F\x98\x81\xF0\x9F...‘ for column ‘XXX‘ at row 1...

utf8mb4是utf8的超集,理论上原来使用utf8,然后将字符集修改为utf8mb4,也基本不会对已有的utf8编码数据的读取产生什么影响,不过为了utf8确实是更节省空间,我们一般情况下使用utf8也就够了。像一些不会对用户限制输入内容的varchar字段,还是尽量使用utf8mb4编码,正如我在文中说到的,这种使用utf8mb4的情况多是在手机端,因为我们限制不了用户往输入框里输入了什么字符,那么我们就必须向上或向下兼容了,通过牺牲部分空间和性能来换取平台的可靠性。

CharCase的博客 6761

2021-08-31

TP6遇到数据库编码问题:[10501]SQLSTATE[HY000]: General error: 1366 Incorrect string value: '\xF0\x9F\x8D\x93' for column 今天对接小程序用户授权登录的时候遇到的问题,发现有的用户正常有的用户不正常。查看系统日志发现报这样的错误[10501]SQLSTATE[HY000]: General error: 1366 Incorrect string value: '\xF0\x9F\x8D\x93' for co

u013390856的博客 793

mysql hy000 incorrect string value_SQLSTATE[HY000]: General error: 1366 Incorrect string value

因为是用的PDO,而且SQL语句比较长。就没有把SQL语句给贴出来。原PHP语句是:BookArticle::create(array('title' => $title, 'content' => $article_content, 'book_id' => $book->id, 'spider_url' => $url)); 我用的是laravel 框架。执行的时...

weixin_39704066的博客 499

关于mysql无法存特殊字符的解决方案

今天在做curd操作的时候,发现了一行数据无法插入,报了这么一个错,SQLSTATE[HY000]: General error: 1366 Incorrect string value: '\xF0\x9F\x88\xB2\xE5\xB9...' for column 'chat_name' at row 29 大概意思就是,29行的数据是无效字符。于是查看了29行的数据,发现: 确实有一个特殊字符。 原因:在utf-8下没有这种特殊字符的编码,因此无法存入 解决方案:将数据表跟数据字

baidu_36095053的博客 4397

SQL 错误 [1366] [HY000]: Incorrect string value: ‘\xE7\x9F\xB3\xE6\x98\x8A‘ for column ‘name‘ at row 1

SQL 错误 [1366] [HY000]: Incorrect string value: '\xE7\x9F\xB3\xE6\x98\x8A' for column 'name' at row 1

wxz_666的博客 2399

mysql数据库报错Data truncation: Incorrect string value: '\xF0\x9F\x98\x8A' for column ``.``,分析及解决方法

一、原因分析: 一般来说,出现这个问题的情况是 手机app发出表情--》传到java后台--》存到数据库 现在我们来分析 所以说要注意几个地方1.java要保证可以识别表情 2.表情从java传到数据库要保证可以识别 3.mysql要支持表情字符 二、解决重点:网上看了好多解决类似的方法,但是都没有太多分析,其实我们在解决这个问题时,要从以上3个方面支持,据我现在了解的,ja...

goxingman的博客 5534

General error: 1366 Incorrect string value

处理MYSQL报错: General error: 1366 Incorrect string value: 录入用户昵称时 昵称可能存在emoji 表情,此时相关字段需修改字符集及排序规则为utf8mb4 注意:必须针对字段设置,修改整个表的字符集无效

ybeanyeah的博客 2629

解决Error 1366: Incorrect string value即操作Mysql数据库无法插入Emoji表情的问题

解决Error 1366: Incorrect string value即操作Mysql数据库无法插入Emoji表情的问题背景解决方案第一步、修改表字段结构第二步、修改连接数据库的驱动第三步、修改数据库配置 背景 在mysql 5.5 之前,UTF-8编码只支持1-3个字节,支持BMP这部分的Unicode编码区;从MySQL 5.5开始,可以支持4个字节UTF编码 utf8mb4 ,一个字符能够支持更多的字符集,也能够支持更多表情符号。 utf8mb4兼容utf8,且比utf8能表示更多的字符,是utf8

徊忆羽菲 3835

Mysql中关于 错误 1366 - Incorrect string value: ‘\xE5\xBC\xA0\xE4\xB8\x89‘ for column ‘name‘ at row 1

我尝试把数据库的字符集设为utf-8,把排序规则设置为utf8_general_ci,同时把表的排序规则也设置为utf8_general_ci,但是仍然不可以用,我看有博主说是mysql默认的配置文件是/etc/my.cnf或者/etc/mysql/my.cnf 我没找到这个文件,我的解决办法就是把表删了重新创建的,然后就可以了。出现这个问题的原因是你的数据库编码、排序类型不是utf-8的,所以你创建的表的排序规则自然也不是utf-8类型的。总之我的理解是,带上这个。为什么会出现这种情况?

qq_43411265的博客 6543

Python 写入mysql 字符串类型报错

1366, "Incorrect string value: '\\xF0\\x9F\\x87\\xA8\\xF0\\x9F...' for column 'nickName' at row 1" 问题描述:Python从百度地图抓取消息保存到MySQL数据中,对应数据库字段为varchar以及TEXT,字符编码utf-8。部分插入成功,部分插入失败,报错如下。 error:1366, ...

Babybigger的专栏 2432
上一篇: VM12安装Centos7并配置多台克隆机
普通网友
博客等级 码龄10年 3粉丝 20原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值