关于Mysql的utf8和utf8mb4

文章目录

• 前言
• 一、那么什么是编码？
• 二、utf8 的简史
• 总结

 

---

前言

utf8 和 utf8mb4 它们都是mysql中的一个字符编码，之前一直没有太过于关注这俩个编码之间的区别。直到在写sql语句时，遇见一个错误。我试着在utf8编码的Mysql中保存一个UTF-8字符串，就是一个emoji表情，然后出现了一个离奇的错误：Incorrect string value: '\xF0\x9F\x98\x93' for column 'NAME' at row 1,但是我从前端到后台，以及数据库中都是使用的utf-8，就连我要保存的那个字符串也是合法的utf-8格式。后面在查询了相关资料后才知道问题的症结出现在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，而是从新发布了一个叫作utf8mb4的字符集，绕过了这个问题。并且没有对新的字符集广而告之，以致于现在仍然建议开发者使用utf8，现在看来这个建议是有问题的。

关于这个问题，简单给大家概括一下：

1.MySQL的“utf8mb4”是真正的“UTF-8”。

2.MySQL的“utf8”是一种“专属的编码”，它能够编码的Unicode字符并不多。

---

一、那么什么是编码？

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：

1、计算机读取“01000011”，得到数字 67，因为 67 被编码成“01000011”。

2、计算机在 Unicode 字符集中查找 67，找到了“C”。

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。

二、utf8 的简史

为什么 MySQL 开发者会让utf8失效？我们或许可以从MySQL版本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”。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。最终，MySQL 在 2010 年重新发布了“utf8mb4”来支持真正的 UTF-8。

---

总结

主要是目前网络上几乎所有的文章都把utf8当成是真正的 UTF-8，包括我之前我做的项目，所以才写了这个文章，就是希望可以帮助更多朋友避免这个坑。相信还有很多跟我在同一条船上的人，这是必然的。所以，大家以后再搭建MySQL等数据库时，记得将数据库相应编码都改为utf8mb4。终有一天，接你班儿的程序员发或你的领导现这个问题后，一定会在心里默默感到你的技术牛B。