目前在APP開發(fā)中我們常用的數(shù)據(jù)庫是mysql，但是我們在使用mysql的時候，關(guān)于utf-8編碼的問題需要注意。MySQL 的“utf8”實(shí)際上不是真正的 UTF-8。“utf8”只支持每個字符最多三個字節(jié)，而真正的 UTF-8 是每個字符最多四個字節(jié)。MySQL 一直沒有修復(fù)這個 bug，他們在 2010 年發(fā)布了一個叫作“utf8mb4”的字符集，繞過了這個問題。

我們都知道，計(jì)算機(jī)使用 0 和 1 來存儲文本。比如字符“C”被存成“01000011”，那么計(jì)算機(jī)在顯示這個字符時需要經(jīng)過兩個步驟：

計(jì)算機(jī)讀取“01000011”，得到數(shù)字 67，因?yàn)?67 被編碼成“01000011”。

計(jì)算機(jī)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(fā)送給 Web 服務(wù)器。

幾乎所有的網(wǎng)絡(luò)應(yīng)用都使用了 Unicode 字符集，因?yàn)闆]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?yàn)橐恢币詠恚?jì)算機(jī)將 32 位視為數(shù)字，而計(jì)算機(jī)最在行的就是處理數(shù)字。但問題是，這樣太浪費(fèi)空間了。

UTF-8 可以節(jié)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(fā)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(biāo)準(zhǔn)（RFC 3629）是隨后才出現(xiàn)的。

舊版的 UTF-8 標(biāo)準(zhǔn)（RFC 2279）最多支持每個字符 6 個字節(jié)。2002 年 3 月 28 日，MySQL 開發(fā)者在第一個 MySQL 4.1 預(yù)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(shù)據(jù)表的每一行都使用相同的字節(jié)數(shù)，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(shù)量的字符。如果插入的字符少于定義的數(shù)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(shù)量，后面超出部分會被截斷。

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

應(yīng)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(fā)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(rèn)同文檔里寫的東西。

不過很顯然，MySQL 開發(fā)者或廠商擔(dān)心會有用戶做這兩件事：

使用 CHAR 定義列（在現(xiàn)在看來，CHAR 已經(jīng)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(shè)置為“utf8”。

我的猜測是 MySQL 開發(fā)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(jié)果就是沒有贏家。那些希望在空間和速度上雙贏的用戶，當(dāng)他們在使用“utf8”的 CHAR 列時，實(shí)際上使用的空間比預(yù)期的更大，速度也比預(yù)期的慢。而想要正確性的用戶，當(dāng)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(fā)布了之后，MySQL 就無法修復(fù)它，因?yàn)檫@樣需要要求所有用戶重新構(gòu)建他們的數(shù)據(jù)庫。最終，MySQL 在 2010 年重新發(fā)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”。