题图:by apple from Instagram
本文出自极客邦「聊聊架构」公众号的编译。我自己当年也被这个问题坑过,当时并没有如此详细的分析文章。我觉得有责任再次分享一下,让更多人知道这个事情。程序员不帮助程序员,还能指望谁呢?
最近我遇到了一个 bug,我试着通过 Rails 在以「utf8」编码的 MariaDB 中保存一个 UTF-8 字符串,然后出现了一个离奇的错误:
Incorrect string value: ‘\xF0\x9F\x98\x83 <…’ for column ‘summary’ at row 1
我用的是 UTF-8 编码的客户端,服务器也是 UTF-8 编码的,数据库也是,就连要保存的这个字符串「 <…」也是合法的 UTF-8。
问题的症结在于,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,他们在 2010 年发布了一个叫作「utf8mb4」的字符集,绕过了这个问题。当然,他们并没有对新的字符集广而告之(可能是因为这个 bug 让他们觉得很尴尬),以致于现在网络上仍然在建议开发者使用「utf8」,但这些建议都是错误的。
简单概括如下:
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。
我要在这里澄清一下:所有在使用「utf8」的 MySQL 和 MariaDB 用户都应该改用「utf8mb4」,永远都不要再使用「utf8」。
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」。
同样的:
1、我的电脑将「C」映射成 Unicode 字符集中的 67。
2、我的电脑将 67 编码成「01000011」,并发送给 Web 服务器。
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,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。一篇类似本文这样的文章,如果使用 UTF-8 编码,占用的空间只有 UTF-32 的四分之一左右。
MySQL 的「utf8」字符集与其他程序不兼容,它所谓的字符集,可能真的是一坨……
为什么 MySQL 开发者会让「utf8」失效?我们或许可以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」。是谁提交了这些代码?他为什么要这样做?这个问题不得而知。在迁移到 Git 后(MySQL 最开始使用的是 BitKeeper),MySQL 代码库中的很多提交者的名字都丢失了。2003 年 9 月的邮件列表中也找不到可以解释这一变更的线索。
不过我可以试着猜测一下。
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。不过很显然,MySQL 开发者或厂商担心会有用户做这两件事:
1 使用 CHAR 定义列(在现在看来,CHAR 已经是老古董了,但在那时,在 MySQL 中使用 CHAR 会更快,不过从 2005 年以后就不是这样子了)。
2 将 CHAR 列的编码设置为「utf8」。
我的猜测是 MySQL 开发者本来想帮助那些希望在空间和速度上双赢的用户,但他们搞砸了「utf8」编码。
所以结果就是没有赢家。那些希望在空间和速度上双赢的用户,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,却无法保存像「」这样的字符。
在这个不合法的字符集发布了之后,MySQL 就无法修复它,因为这样需要要求所有用户重新构建他们的数据库。最终,MySQL 在 2010 年重新发布了「utf8mb4」来支持真正的 UTF-8。
因为这个问题,我整整抓狂了一个礼拜。我被「utf8」愚弄了,花了很多时间才找到这个 bug。但我一定不是唯一的一个,网络上几乎所有的文章都把「utf8」当成是真正的 UTF-8。「utf8」只能算是个专有的字符集,它给我们带来了新问题,却一直没有得到解决。
如果你在使用 MySQL 或 MariaDB,不要用「utf8」编码,改用「utf8mb4」。这里提供了一个指南用于将现有数据库的字符编码从「utf8」转成「utf8mb4」:
https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4
这篇文章的英文原文:
https://medium.com/@adamhooper/in-mysql-never-use-utf8-use-utf8mb4-11761243e434
卖桃者说:
微信订阅号改为信息流的浏览方式之后,新的文章很难对旧文实现二次阅读唤醒功能,那我自己来吧,近期推荐阅读: