0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看威廉希尔官方网站 视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

MySQL中的utf8并不是真正的UTF-8编码

马哥Linux运维 来源:CSDN威廉希尔官方网站 社区 作者:_陈哈哈 2022-11-14 10:44 次阅读


一、报错回顾

将emoji文字直接写入SQL中,执行insert语句报错;

INSERTINTO`csjdemo`.`student`(`ID`,`NAME`,`SEX`,`AGE`,`CLASS`,`GRADE`,`HOBBY`)
VALUES('20','陈哈哈','男','20','181班','9年级','看片儿');

[Err] 1366 - Incorrect string value: 'xF0x9Fx98x93' for column 'NAME' at row 1

改了数据库编码、系统编码以及表字段的编码格式 → utf8mb4 之后,就可以了:

INSERTINTO`student`(`ID`,`NAME`,`SEX`,`AGE`,`CLASS`,`GRADE`,`HOBBY`)
VALUES(null,'陈哈哈','男','20','181班','9年级','看片儿');
e13e0dc0-628e-11ed-8abf-dac502259ad0.png

二、MySQL中utf8的趣事

MySQL 的“utf8”实际上不是真正的 UTF-8。

在MySQL中,“utf8”编码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。

在utf8编码中,中文是占3个字节,其他数字、英文、符号占一个字节。

但emoji符号占4个字节,一些较复杂的文字、繁体字也是4个字节。所以导致写入失败,应该改成utf8mb4。

e1526702-628e-11ed-8abf-dac502259ad0.png

如上图中所示,这是编码改成utf8mb4后入库的数据,大家可以清晰的对比一下所占的字符数、字节数。正因如此,4字节的内容往utf8编码中插入,肯定是不行的,插不进去啊,是吧。

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,巧妙的绕过了这个问题。

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。

1. utf8mb4 才是真正的UTF-8

是的,MySQL 的“utf8mb4”才是真正的“UTF-8”。

MySQL 的“utf8”是一种“专属的编码”,它能够编码的 Unicode 字符并不多。

在这里Mark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”。

那么什么是编码?什么是 UTF-8?

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:

计算机读取“01000011”,得到数字 67,因为 67 被编码成“01000011”。

计算机在 Unicode 字符集中查找 67,找到了“C”。

同样的:

我的电脑将“C”映射成 Unicode 字符集中的 67。

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。

2. utf8 的简史

为什么 MySQL 开发者会让“utf8”失效?我们或许可以从MySQL版本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。

不过我们可以试着猜测一下:

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:

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)。

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,因为“”是4个字节的。

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。

三、总结

主要是目前网络上几乎所有的文章都把 “utf8” 当成是真正的 UTF-8,包括之前我写的文章以及做的项目(捂脸);因此希望更多的朋友能够看到这篇文章。

相信还有很多跟我在同一条船上的人,这是必然的。

所以,大家以后再搭建MySQL、MariaDB数据库时,记得将数据库相应编码都改为utf8mb4。终有一天,接你班儿的程序员发或你的领导现这个问题后,一定会在心里默默感到你的威廉希尔官方网站 牛B。

审核编辑:汤梓红

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 数据库
    +关注

    关注

    7

    文章

    3795

    浏览量

    64364
  • MySQL
    +关注

    关注

    1

    文章

    804

    浏览量

    26542
  • UTF8
    +关注

    关注

    0

    文章

    6

    浏览量

    7037

原文标题:MySQL中的 utf8 并不是真正的UTF-8编码 ! !

文章出处:【微信号:magedu-Linux,微信公众号:马哥Linux运维】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    单片机也可以轻松玩转UTF-8码和TTF字体了

    要让智能设备支持各国不同的文字,首先得有支持全球文字的编码集,时下最出名的要数UTF-8码了。
    的头像 发表于 11-23 17:18 4568次阅读
    单片机也可以轻松玩转<b class='flag-5'>UTF-8</b>码和TTF字体了

    采用UTF8UTF16都无法使用中文SSID怎么解决?

    采用 UTF8UTF16都无法使用中文SSID 将wifi ssid设置为 \" test12 \",分别用了以下 3种 unicode编解码格格式,测试情况分分如下: 1.格式一:UTF-16LE 2.G格式二:
    发表于 02-29 06:36

    LABVIEW字符串转换为UTF-8编码字符串

    ,在这个库中就包含了上述函数。库的具体位置如下图所示:这个库的许多VI都使用了一个内置函数“"文本至UTF-8转换”。该函数可以把LABVIEW字符串转换为UTF-8编码的字符串。简
    发表于 06-06 15:16

    UTF8

    大家,请问下,如何利用LABVIEW对UTF8进行解码啊??谢谢了
    发表于 09-14 14:48

    怎么在MDB中将编码设置为UTF-8

    是否有一种方法将编码设置为MDBUTF-8。我在Ubuntu/PIC18/XC8编译器上运行我的测试代码,预处理失败了,在UTF-8
    发表于 10-25 16:51

    如何将文件编码更改为UTF-8

    HII正在对我的项目本地化,需要使用UTF-8编码的字符串。我有一切工作代码,但在编辑器,字符串显示,如果编码的ANSI拉丁代码页。我了解到,在开始新项目时可以选择
    发表于 07-03 10:30

    VC++ 怎么改变文件的编码UTF-8

    da哥们,问一下:VC++ 怎么改变文件的编码UTF-8?谢谢。
    发表于 07-27 07:46

    RT-Thread Studio的GBK编码版本如何改为UTF-8

    2.2.1工作区显示 GBK 编码,如何改为 UTF-8 呢?操作【窗口】–> 【首选项】在【搜索框】,可以输入【编码】,这样,找到 【常规】–> 【工作空间】【文本文件
    发表于 05-20 10:05

    请问如何在TouchGFX的TextArea通配符显示UTF-8文本?

    是“UTF-8”,所以这是文件编码。我尝试使用 UART 作为调试控制台,它可以毫无问题地输出 UTF-8 文本。我猜 TouchGFX 的 Unicode 函数不希望 char* 字符串是
    发表于 12-09 06:11

    IARUTF-8文字符串不显示怎么解决?

    界面使用的是ucGUI原本使用GB2312编码字符串可以直接读取显示,字库也用FontCvt做了初始化的时候也添加了GUI_UC_SetEncodeutf8();函数 后面换成UTF-8
    发表于 10-07 07:11

    ascii和utf8的区别_ASCII编码UTF-8的关系

    UTF-8是一种针对Unicode的可变长度字符编码,又称万国码。由Ken Thompson于1992年创建。现在已经标准化为RFC 3629。UTF-8用1到6个字节编码Unicod
    的头像 发表于 01-30 13:34 3w次阅读
    ascii和<b class='flag-5'>utf8</b>的区别_ASCII<b class='flag-5'>编码</b>与<b class='flag-5'>UTF-8</b>的关系

    PHP和UTF-8乱码问题的解决方法资料分析

    PHP乱码问题,UTF-8乱码问题比较常见,通过下面的方法基本上就可以解决php乱码问题了,确实总结的不错。
    发表于 02-28 17:59 5次下载
    PHP和<b class='flag-5'>UTF-8</b>乱码问题的解决方法资料分析

    从ASCII码-&gt;Unicode-&gt; UTF-8历史变迁,及其差异

    从ASCII码->Unicode->UTF-8历史变迁,及其差异
    的头像 发表于 02-27 15:56 2509次阅读

    MySQLutf8utf8mb4有什么区别

    MySQL在5.5.3之后增加了这个utf8mb4的编码,mb4就是most bytes 4的意思,专门用来兼容四字节的unicode。
    的头像 发表于 04-12 19:21 1.3w次阅读

    UTF8String是如何编码的?

    UniversalString和UTF8String 都支持完全相同的字符集,前64K 字符都是BMPString 的字符集。请注意,BMPString 的前128 个字符与IA5String
    的头像 发表于 08-26 09:55 2095次阅读
    <b class='flag-5'>UTF8</b>String是如何<b class='flag-5'>编码</b>的?