在MySQL中使用UTF-8會(huì)怎么樣

最近我遇到了一個(gè) bug，我試著通過 Rails 在以“utf8”編碼的 MariaDB 中保存一個(gè) UTF-8 字符串，然后出現(xiàn)了一個(gè)離奇的錯(cuò)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，服務(wù)器也是 UTF-8 編碼的，數(shù)據(jù)庫也是，就連要保存的這個(gè)字符串“ <…”也是合法的 UTF-8。

問題的癥結(jié)在于，MySQL 的“utf8”實(shí)際上不是真正的 UTF-8。

“utf8”只支持每個(gè)字符最多三個(gè)字節(jié)，而真正的 UTF-8 是每個(gè)字符最多四個(gè)字節(jié)。

MySQL 一直沒有修復(fù)這個(gè) bug，他們?cè)?2010 年發(fā)布了一個(gè)叫作“utf8mb4”的字符集，繞過了這個(gè)問題。

當(dāng)然，他們并沒有對(duì)新的字符集廣而告之（可能是因?yàn)檫@個(gè) bug 讓他們覺得很尷尬），以致于現(xiàn)在網(wǎng)絡(luò)上仍然在建議開發(fā)者使用“utf8”，但這些建議都是錯(cuò)誤的。

簡單概括如下：

• MySQL 的“utf8mb4”是真正的“UTF-8”。
• MySQL 的“utf8”是一種“專屬的編碼”，它能夠編碼的 Unicode 字符并不多。

我要在這里澄清一下：所有在使用“utf8”的 MySQL 和 MariaDB 用戶都應(yīng)該改用“utf8mb4”，永遠(yuǎn)都不要再使用“utf8”。 

那么什么是編碼？什么是 UTF-8？

我們都知道，計(jì)算機(jī)使用 0 和 1 來存儲(chǔ)文本。比如字符“C”被存成“01000011”，那么計(jì)算機(jī)在顯示這個(gè)字符時(shí)需要經(jīng)過兩個(gè)步驟：

1. 計(jì)算機(jī)讀取“01000011”，得到數(shù)字 67，因?yàn)?67 被編碼成“01000011”。
2. 計(jì)算機(jī)在 Unicode 字符集中查找 67，找到了“C”。

同樣的：

1. 我的電腦將“C”映射成 Unicode 字符集中的 67。
2. 我的電腦將 67 編碼成“01000011”，并發(fā)送給 Web 服務(wù)器。

幾乎所有的網(wǎng)絡(luò)應(yīng)用都使用了 Unicode 字符集，因?yàn)闆]有理由使用其他字符集。

Unicode 字符集包含了上百萬個(gè)字符。最簡單的編碼是 UTF-32，每個(gè)字符使用 32 位。這樣做最簡單，因?yàn)橐恢币詠?，?jì)算機(jī)將 32 位視為數(shù)字，而計(jì)算機(jī)最在行的就是處理數(shù)字。但問題是，這樣太浪費(fèi)空間了。

UTF-8 可以節(jié)省空間，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”字符集與其他程序不兼容，它所謂的“”，可能真的是一坨…… 

MySQL 簡史

為什么 MySQL 開發(fā)者會(huì)讓“utf8”失效？我們或許可以從提交日志中尋找答案。

MySQL 從 4.1 版本開始支持 UTF-8，也就是 2003 年，而今天使用的 UTF-8 標(biāo)準(zhǔn)（RFC 3629）是隨后才出現(xiàn)的。

舊版的 UTF-8 標(biāo)準(zhǔn)（RFC 2279）最多支持每個(gè)字符 6 個(gè)字節(jié)。2002 年 3 月 28 日，MySQL 開發(fā)者在第一個(gè) MySQL 4.1 預(yù)覽版中使用了 RFC 2279。

同年 9 月，他們對(duì) MySQL 源代碼進(jìn)行了一次調(diào)整：“UTF8 現(xiàn)在最多只支持 3 個(gè)字節(jié)的序列”。

是誰提交了這些代碼？他為什么要這樣做？這個(gè)問題不得而知。在遷移到 Git 后（MySQL 最開始使用的是 BitKeeper），MySQL 代碼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 做出了一個(gè)決定：如果用戶可以保證數(shù)據(jù)表的每一行都使用相同的字節(jié)數(shù)，那么 MySQL 就可以在性能方面來一個(gè)大提升。為此，用戶需要將文本列定義為“CHAR”，每個(gè)“CHAR”列總是擁有相同數(shù)量的字符。如果插入的字符少于定義的數(shù)量，MySQL 就會(huì)在后面填充空格，如果插入的字符超過了定義的數(shù)量，后面超出部分會(huì)被截?cái)唷?/p>

MySQL 開發(fā)者在最開始嘗試 UTF-8 時(shí)使用了每個(gè)字符 6 個(gè)字節(jié)，CHAR(1) 使用 6 個(gè)字節(jié)，CHAR(2) 使用 12 個(gè)字節(jié)，并以此類推。

應(yīng)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(fā)布。但是文檔上卻這么寫了，而且廣為流傳，所有了解 UTF-8 的人都認(rèn)同文檔里寫的東西。

不過很顯然，MySQL 開發(fā)者或廠商擔(dān)心會(huì)有用戶做這兩件事：

1. 使用 CHAR 定義列（在現(xiàn)在看來，CHAR 已經(jīng)是老古董了，但在那時(shí)，在 MySQL 中使用 CHAR 會(huì)更快，不過從 2005 年以后就不是這樣子了）。
2. 將 CHAR 列的編碼設(shè)置為“utf8”。

我的猜測是 MySQL 開發(fā)者本來想幫助那些希望在空間和速度上雙贏的用戶，但他們搞砸了“utf8”編碼。

所以結(jié)果就是沒有贏家。那些希望在空間和速度上雙贏的用戶，當(dāng)他們?cè)谑褂谩皍tf8”的 CHAR 列時(shí)，實(shí)際上使用的空間比預(yù)期的更大，速度也比預(yù)期的慢。而想要正確性的用戶，當(dāng)他們使用“utf8”編碼時(shí)，卻無法保存像“”這樣的字符。

在這個(gè)不合法的字符集發(fā)布了之后，MySQL 就無法修復(fù)它，因?yàn)檫@樣需要要求所有用戶重新構(gòu)建他們的數(shù)據(jù)庫。最終，MySQL 在 2010 年重新發(fā)布了“utf8mb4”來支持真正的 UTF-8。 

為什么這件事情會(huì)讓人如此抓狂

因?yàn)檫@個(gè)問題，我整整抓狂了一個(gè)禮拜。我被“utf8”愚弄了，花了很多時(shí)間才找到這個(gè) bug。但我一定不是唯一的一個(gè)，網(wǎng)絡(luò)上幾乎所有的文章都把“utf8”當(dāng)成是真正的 UTF-8。

“utf8”只能算是個(gè)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。