四川门户网站建设管理规定,宜春网站建设公司,php 7 wordpress,江门网站设计价格记住#xff1a;永远不要在MySQL中使用“utf8”#xff0c;请使用“utf8mb4”
最近我遇到了一个bug#xff0c;我试着通过Rails在以“utf8”编码的MariaDB中保存一个UTF-8字符串#xff0c;然后出现了一个离奇的错误#xff1a;
我用的是UTF-8编码的客户端#xff0c;服…记住永远不要在MySQL中使用“utf8”请使用“utf8mb4”
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
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”。
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
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“”可能真的是一坨……
MySQL简史
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BitKeeperMySQL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。
为什么这件事情会让人如此抓狂
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。
