寫程式碼注意了，千萬不要在 MySQL 中使用 UTF-8

• 2019 年 12 月 5 日
• 筆記

最近我遇到了一個bug，我試著通過Rails在以「utf8」編碼的MariaDB中保存一個UTF-8字元串，然後出現了一個離奇的錯誤：

問題的癥結在於，MySQL的「utf8」實際上不是真正的UTF-8。

「utf8」只支援每個字元最多三個位元組，而真正的UTF-8是每個字元最多四個位元組。

MySQL一直沒有修復這個bug，他們在2010年發布了一個叫作「utf8mb4」的字符集，繞過了這個問題。

當然，他們並沒有對新的字符集廣而告之（可能是因為這個bug讓他們覺得很尷尬），以致於現在網路上仍然在建議開發者使用「utf8」，但這些建議都是錯誤的。

簡單概括如下：

1.MySQL的「utf8mb4」是真正的「UTF-8」。

2.MySQL的「utf8」是一種「專屬的編碼」，它能夠編碼的Unicode字元並不多。

我要在這裡澄清一下：所有在使用「utf8」的MySQL和MariaDB用戶都應該改用「utf8mb4」，永遠都不要再使用「utf8」。

那麼什麼是編碼？什麼是UTF-8？

我們都知道，電腦使用0和1來存儲文本。比如字元「C」被存成「01000011」，那麼電腦在顯示這個字元時需要經過兩個步驟：

1.電腦讀取「01000011」，得到數字67，因為67被編碼成「01000011」。

2.電腦在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」，並發送給Web伺服器。

幾乎所有的網路應用都使用了Unicode字符集，因為沒有理由使用其他字符集。

Unicode字符集包含了上百萬個字元。最簡單的編碼是UTF-32，每個字元使用32位。這樣做最簡單，因為一直以來，電腦將32位視為數字，而電腦最在行的就是處理數字。但問題是，這樣太浪費空間了。

UTF-8可以節省空間，在UTF-8中，字元「C」只需要8位，一些不常用的字元，比如「」需要32位。其他的字元可能使用16位或24位。一篇類似本文這樣的文章，如果使用UTF-8編碼，佔用的空間只有UTF-32的四分之一左右。

MySQL的「utf8」字符集與其他程式不兼容，它所謂的「」，可能真的是一坨……

MySQL簡史

為什麼MySQL開發者會讓「utf8」失效？我們或許可以從提交日誌中尋找答案。

MySQL從4.1版本開始支援UTF-8，也就是2003年，而今天使用的UTF-8標準（RFC 3629）是隨後才出現的。

舊版的UTF-8標準（RFC 2279）最多支援每個字元6個位元組。2002年3月28日，MySQL開發者在第一個MySQL 4.1預覽版中使用了RFC 2279。MySQL資料庫開發的 36 條軍規，這個要記住。

同年9月，他們對MySQL源程式碼進行了一次調整：「UTF8現在最多只支援3個位元組的序列」。

是誰提交了這些程式碼？他為什麼要這樣做？這個問題不得而知。在遷移到Git後（MySQL最開始使用的是BitKeeper），MySQL程式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做出了一個決定：如果用戶可以保證數據表的每一行都使用相同的位元組數，那麼MySQL就可以在性能方面來一個大提升。

為此，用戶需要將文本列定義為「CHAR」，每個「CHAR」列總是擁有相同數量的字元。如果插入的字元少於定義的數量，MySQL就會在後面填充空格，如果插入的字元超過了定義的數量，後面超出部分會被截斷。

MySQL開發者在最開始嘗試UTF-8時使用了每個字元6個位元組，CHAR(1)使用6個位元組，CHAR(2)使用12個位元組，並以此類推。

應該說，他們最初的行為才是正確的，可惜這一版本一直沒有發布。但是文檔上卻這麼寫了，而且廣為流傳，所有了解UTF-8的人都認同文檔里寫的東西。

關注微信公眾號：Java技術棧，在後台回復：mysql，可以獲取我整理的 N 篇最新 MySQL 教程，都是乾貨。

不過很顯然，MySQL開發者或廠商擔心會有用戶做這兩件事：

1.使用CHAR定義列（在現在看來，CHAR已經是老古董了，但在那時，在MySQL中使用CHAR會更快，不過從2005年以後就不是這樣子了）。

2.將CHAR列的編碼設置為「utf8」。

我的猜測是MySQL開發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。

所以結果就是沒有贏家。那些希望在空間和速度上雙贏的用戶，當他們在使用「utf8」的CHAR列時，實際上使用的空間比預期的更大，速度也比預期的慢。而想要正確性的用戶，當他們使用「utf8」編碼時，卻無法保存像「」這樣的字元。

在這個不合法的字符集發布了之後，MySQL就無法修復它，因為這樣需要要求所有用戶重新構建他們的資料庫。最終，MySQL在2010年重新發布了「utf8mb4」來支援真正的UTF-8。

為什麼這件事情會讓人如此抓狂

因為這個問題，我整整抓狂了一個禮拜。我被「utf8」愚弄了，花了很多時間才找到這個bug。但我一定不是唯一的一個，網路上幾乎所有的文章都把「utf8」當成是真正的UTF-8。

「utf8」只能算是個專有的字符集，它給我們帶來了新問題，卻一直沒有得到解決。

總結

如果你在使用MySQL或MariaDB，不要用「utf8」編碼，改用「utf8mb4」。這裡（ https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4 ）提供了一個指南用於將現有資料庫的字元編碼從「utf8」轉成「utf8mb4」。

作者：brightwang

來源：https://www.jianshu.com/p/ab9aa8d4df7d