一、報錯回顧

將emoji文字直接寫入SQL中，執(zhí)行insert語句報錯；

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

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

改了數(shù)據(jù)庫編碼、系統(tǒng)編碼以及表字段的編碼格式 → utf8mb4 之后，就可以了：

INSERTINTO`student`(`ID`,`NAME`,`SEX`,`AGE`,`CLASS`,`GRADE`,`HOBBY`)
VALUES(null,'陳哈哈','男','20','181班','9年級','看片兒');

二、MySQL中utf8的趣事

MySQL 的“utf8”實際上不是真正的 UTF-8。

在MySQL中，“utf8”編碼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)。

在utf8編碼中，中文是占3個字節(jié)，其他數(shù)字、英文、符號占一個字節(jié)。

但emoji符號占4個字節(jié)，一些較復(fù)雜的文字、繁體字也是4個字節(jié)。所以導(dǎo)致寫入失敗，應(yīng)該改成utf8mb4。

如上圖中所示，這是編碼改成utf8mb4后入庫的數(shù)據(jù)，大家可以清晰的對比一下所占的字符數(shù)、字節(jié)數(shù)。正因如此，4字節(jié)的內(nèi)容往utf8編碼中插入，肯定是不行的，插不進(jìn)去啊，是吧。

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，巧妙的繞過了這個問題。

當(dāng)然，他們并沒有對新的字符集廣而告之（可能是因為這個 bug 讓他們覺得很尷尬），以致于現(xiàn)在網(wǎng)絡(luò)上仍然在建議開發(fā)者使用“utf8”，但這些建議都是錯誤的。

1. utf8mb4 才是真正的UTF-8

是的，MySQL 的“utf8mb4”才是真正的“UTF-8”。

MySQL 的“utf8”是一種“專屬的編碼”，它能夠編碼的 Unicode 字符并不多。

在這里Mark一下：所有在使用“utf8”的 MySQL 和 MariaDB 用戶都應(yīng)該改用“utf8mb4”，永遠(yuǎn)都不要再使用“utf8”。

那么什么是編碼？什么是 UTF-8？

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(jīng)過兩個步驟：

計算機讀取“01000011”，得到數(shù)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(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(shù)字，而計算機最在行的就是處理數(shù)字。但問題是，這樣太浪費空間了。

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。

2. utf8 的簡史

為什么 MySQL 開發(fā)者會讓“utf8”失效？我們或許可以從MySQL版本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。

同年 9 月，他們對 MySQL 源代碼進(jìn)行了一次調(diào)整：“UTF8 現(xiàn)在最多只支持 3 個字節(jié)的序列”。

是誰提交了這些代碼？他為什么要這樣做？這個問題不得而知。在遷移到 Git 后（MySQL 最開始使用的是 BitKeeper），MySQL 代碼庫中的很多提交者的名字都丟失了。2003 年 9 月的郵件列表中也找不到可以解釋這一變更的線索。

不過我們可以試著猜測一下：

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，因為“”是4個字節(jié)的。

在這個不合法的字符集發(fā)布了之后，MySQL 就無法修復(fù)它，因為這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。

三、總結(jié)

主要是目前網(wǎng)絡(luò)上幾乎所有的文章都把 “utf8” 當(dāng)成是真正的 UTF-8，包括之前我寫的文章以及做的項目（捂臉）；因此希望更多的朋友能夠看到這篇文章。

相信還有很多跟我在同一條船上的人，這是必然的。

所以，大家以后再搭建MySQL、MariaDB數(shù)據(jù)庫時，記得將數(shù)據(jù)庫相應(yīng)編碼都改為utf8mb4。終有一天，接你班兒的程序員發(fā)或你的領(lǐng)導(dǎo)現(xiàn)這個問題后，一定會在心里默默感到你的技術(shù)牛B。

審核編輯：湯梓紅