MySQL数据库 utf-8与utf8mb4

          MySQL的“utf8”实际上不是真正的UTF-8。

        

        MySQL中的“utf8”只支持每一个字符最多三个字节，而真正的UTF-8是每一个字符最多四个字节。

        MySQL一直没有修复这个bug，可是他们在2010年发布了一个叫做“utf8mb4”的字符集，绕过了这个问题。

        固然，他们并无对新的字符集广而告之(多是由于这个bug让他们以为很尴尬)，以至于如今网络上仍然在建议开发者使用“utf8”，但这些建议都是错误的。

简单归纳以下：

1. MySQL的“utf8mb4”是真正的“UTF-8”。
2. MySQL的“utf8”是一种“专属的编码”，它可以编码的Unicode字符并很少。

那么什么是编码？什么是UTF-8？

       咱们都知道，计算机使用0和1来存储文本。好比字符“C”被存成“01000011”，那么计算机在显示这个字符时须要通过两个步骤：

1. 计算机读取“01000011”，获得数字67，由于67被编码成“01000011”。
2. 计算机在Unicode字符集中查找67，找到了“C”。

一样的：

1. 个人电脑将“C”映射成Unicode字符集中的67。
2. 个人电脑将67编码成“01000011”，并发送给Web服务器。

几乎全部的网络应用都使用了Unicode字符集，由于没有理由使用其余字符集。

        Unicode字符集包含了上百万个字符。最简单的编码是UTF-32，每一个字符使用32位。这样作最简单，由于一直以来，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能够节省空间，在UTF-8中，字符“C”只须要8位，一些不经常使用的字符，好比“”须要32位。其余的字符可能使用16位或24位。一篇相似本文这样的文章，若是使用UTF-8编码，占用的空间只有UTF-32的四分之一左右。

        MySQL的“utf8”字符集与其余程序不兼容，它所谓的“”，可能真的是一坨……

MySQL简史

        为何MySQL开发者会让“utf8”失效？咱们或许能够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)最多支持每一个字符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如今最多只支持3个字节的序列”。

        是谁提交了这些代码?他为何要这样作?这个问题不得而知。在迁移到Git后(MySQL最开始使用的是BitKeeper)，MySQL代码库中的不少提交者的名字都丢失了。2003年9月的邮件列表中也找不到能够解释这一变动的线索。

 

        不过我能够试着猜想一下。

        2002年，MySQL作出了一个决定：若是用户能够保证数据表的每一行都使用相同的字节数，那么MySQL就能够在性能方面来一个大提高。为此，用户须要将文本列定义为“CHAR”，每一个“CHAR”列老是拥有相同数量的字符。若是插入的字符少于定义的数量，MySQL就会在后面填充空格，若是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时使用了每一个字符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，惋惜这一版本一直没有发布。可是文档上却这么写了，并且广为流传，全部了解UTF-8的人都认同文档里写的东西。

 

        不过很显然，MySQL开发者或厂商担忧会有用户作这两件事：

1. 使用CHAR定义列(在如今看来，CHAR已是老古董了，但在那时，在MySQL中使用CHAR会更快，不过从2005年之后就不是这样子了)。
2. 将CHAR列的编码设置为“utf8”。

 

        个人猜想是MySQL开发者原本想帮助那些但愿在空间和速度上共赢的用户，但他们搞砸了“utf8”编码。

        因此结果就是没有赢家。那些但愿在空间和速度上共赢的用户，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，却没法保存像“”这样的字符。

        在这个不合法的字符集发布了以后，MySQL就没法修复它，由于这样须要要求全部用户从新构建他们的数据库。最终，MySQL在2010年从新发布了“utf8mb4”来支持真正的UTF-8。

总结

若是你在使用MySQL或MariaDB，不要用“utf8”编码，改用“utf8mb4”。

而若是不幸，你已经使用了“utf8”编码，这里(https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4)提供了一个指南能够帮助你将现有数据库的字符编码从“utf8”转成“utf8mb4”。