APP開發時關于mysql數據庫UTF8編碼的問題

目前在APP開發中我們常用的數據庫是mysql，但是我們在使用mysql的時候，關于utf-8編碼的問題需要注意。MySQL 的“utf8”實際上不是真正的 UTF-8。“utf8”只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 年發布了一個叫作“utf8mb4”的字符集，繞過了這個問題。

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”，那么計算機在顯示這個字符時需要經過兩個步驟：

計算機讀取“01000011”，得到數字 67，因為 67 被編碼成“01000011”。

計算機在 Unicode 字符集中查找 67，找到了“C”。

同樣的：

我的電腦將“C”映射成 Unicode 字符集中的 67。

我的電腦將 67 編碼成“01000011”，并發送給 Web 服務器。

幾乎所有的網絡應用都使用了 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，這樣太浪費空間了。

UTF-8 可以節省空間，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。

 

為什么 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）是隨后才出現的。

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 預覽版中使用了 RFC 2279。

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字節數，那么 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。如果插入的字符少于定義的數量，MySQL 就會在后面填充空格，如果插入的字符超過了定義的數量，后面超出部分會被截斷。

MySQL 開發者在最開始嘗試 UTF-8 時使用了每個字符 6 個字節，CHAR(1) 使用 6 個字節，CHAR(2) 使用 12 個字節，并以此類推。

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。但是文檔上卻這么寫了，而且廣為流傳，所有了解 UTF-8 的人都認同文檔里寫的東西。

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 已經是老古董了，但在那時，在 MySQL 中使用 CHAR 會更快，不過從 2005 年以后就不是這樣子了）。

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“”這樣的字符。

在這個不合法的字符集發布了之后，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 年重新發布了“utf8mb4”來支持真正的 UTF-8。

 

所以，如果你在使用 MySQL 或 MariaDB，不要用“utf8”編碼，改用“utf8mb4”。