為什麼在MySQL中不建議使用UTF-8

Posted on by

最近我遇到瞭一個 bug，我試著通過 Rails 在以“utf8”編碼的 MariaDB 中保存一個 UTF-8 字符串，然後出現瞭一個離奇的錯誤：

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，服務器也是 UTF-8 編碼的，數據庫也是，就連要保存的這個字符串“

問題的癥結在於，MySQL 的“utf8”實際上不是真正的 UTF-8。

“utf8”隻支持每個字符最多三個字節，而真正的 UTF-8 是每個字符最多四個字節。

MySQL 一直沒有修復這個 bug，他們在 2010 年發佈瞭一個叫作“utf8mb4”的字符集，繞過瞭這個問題。

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），以致於現在網絡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：

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，計算機使用 0 和 1 來存儲文本。比如字符“C”被存成“01000011”，那麼計算機在顯示這個字符時需要經過兩個步驟：

  1. 計算機讀取“01000011”，得到數字 67，因為 67 被編碼成“01000011”。
  2. 計算機在 Unicode 字符集中查找 67，找到瞭“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 服務器。

幾乎所有的網絡應用都使用瞭 Unicode 字符集，因為沒有理由使用其他字符集。

Unicode 字符集包含瞭上百萬個字符。最簡單的編碼是 UTF-32，每個字符使用 32 位。這樣做最簡單，因為一直以來，計算機將 32 位視為數字，而計算機最在行的就是處理數字。但問題是，這樣太浪費空間瞭。

UTF-8 可以節省空間，在 UTF-8 中，字符“C”隻需要 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，占用的空間隻有 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

為什麼 MySQL 開發者會讓“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 標準（RFC 3629）是隨後才出現的。

舊版的 UTF-8 標準（RFC 2279）最多支持每個字符 6 個字節。2002 年 3 月 28 日，MySQL 開發者在第一個 MySQL 4.1 預覽版中使用瞭 RFC 2279。

同年 9 月，他們對 MySQL 源代碼進行瞭一次調整：“UTF8 現在最多隻支持 3 個字節的序列”。

是誰提交瞭這些代碼？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 代碼庫中的很多提交者的名字都丟失瞭。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 做出瞭一個決定：如果用戶可以保證數據表的每一行都使用相同的字節數，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符。如果插入的字符少於定義的數量，MySQL 就會在後面填充空格，如果插入的字符超過瞭定義的數量，後面超出部分會被截斷。

MySQL 開發者在最開始嘗試 UTF-8 時使用瞭每個字符 6 個字節，CHAR(1) 使用 6 個字節，CHAR(2) 使用 12 個字節，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佈。但是文檔上卻這麼寫瞭，而且廣為流傳，所有瞭解 UTF-8 的人都認同文檔裡寫的東西。

不過很顯然，MySQL 開發者或廠商擔心會有用戶做這兩件事：

使用 CHAR 定義列（在現在看來，CHAR 已經是老古董瞭，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瞭）。
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，但他們搞砸瞭“utf8”編碼。

所以結果就是沒有贏傢。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“”這樣的字符。

在這個不合法的字符集發佈瞭之後，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數據庫。最終，MySQL 在 2010 年重新發佈瞭“utf8mb4”來支持真正的 UTF-8。

為什麼這件事情會讓人如此抓狂
因為這個問題，我整整抓狂瞭一個禮拜。我被“utf8”愚弄瞭，花瞭很多時間才找到這個 bug。但我一定不是唯一的一個，網絡上幾乎所有的文章都把“utf8”當成是真正的 UTF-8。

“utf8”隻能算是個專有的字符集，它給我們帶來瞭新問題，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）提供瞭一個指南用於將現有數據庫的字符編碼從“utf8”轉成“utf8mb4”。

**英文原文：**https://medium.com/@adamhooper/in-mysql-never-use-utf8-use-utf8mb4-11761243e434

 

推薦閱讀：