轉自： (譯)用MySQL的朋友們請不要使用"utf8"，請使用"utf8mb4"

用MySQL的朋友們請不要使用"utf8"，請使用"utf8mb4"

今天我試圖把UTF-8編碼的字符串插入使用“utf8”編碼的MariaDB數據庫中，Rails拋出一個古怪的異常:

Incorrect string value: ‘\xF0\x9F\x98\x83 <…’ for column ‘summary’ at row 1

一切都很UTF-8：UTF-8 client，UTF-8的服務器，UTF-8編碼的數據庫，使用UTF-8的字符集。“?? <…”是個有效的UTF-8字符串。

但是問題的關鍵是：MySQL數據庫的 “utf8

MySQL中的“utf8”編碼只支持最大3字節每字符。真正的大家正在使用的UTF-8編碼是應該能支持4字節每個字符。

MySQL的開發者沒有修復這個bug。他們在2010年增加了一個變通的方法：一個新的字符集“utf8mb4”

當然，他們並沒有對外公布（可能因為這個bug有點尷尬）。現在很多指南推薦用戶使用“utf8”其實都錯了。

簡單的說:

MySQL中的 “utf8mb4” 才是 真正意義上的“UTF-8”。

MySQL的“utf8”是個“特殊的字符編碼”。這種編碼很多Unicode字符保存不了。

我強烈建議MySQL和MariaDB用戶使用“utf8mb4”而不是“utf8”。

編碼是什麽？什麽是UTF-8？

Joel on Software上有一遍我最喜歡的介紹，我精簡描述如下：

計算機使用0和1存儲文字。比如第一段第一個字符存儲為“01000011”表示“C”，計算機通過以下兩個步驟選擇用“C”表示：

計算機讀取到“01000011”後計算出這是數字67。

計算機通過查找Unicode字符集來確認67代表的“C”。

同樣的事情發生在我打字輸入C的時候。

計算機通過Unicode字符集將“C” 映射為67。

計算機把67編碼為“01000011”發送給web服務器。

幾乎所有的程序和互聯網應用使用Unicode字符集。

Unicode字符集裏有超過100萬個字符(“C” 和 “??” 是兩種不同的字符。)。UTF-32是最簡單的編碼方式，它在表示每個字符的時候使用32個bits。這樣編碼簡單，但是並不實用，明顯浪費了太多的空間。

UTF-8相比UTF-32更加節約空間。在UTF-8中，像“C”這樣的字符占用8bits，“??”這樣的占用32 bits。其他字符占用16或者24 bits。如本篇這樣的文章用UTF-8存儲比用UTF-32節省4倍左右的空間。更小的空間占用也意味著加載速度會快上4倍。

而MySQL中的 “utf8”字符集則和其他應用行為不一樣。比如根本沒法表示“??”。

一點關於MySQL的歷史

為什麽MySQL的開發者開發了一個奇怪的“utf8”。我們可以通過提交的日誌來揣測一下。

MySQL從4.1版開始支持UTF-8。那是在比今天UTF-8 RFC 3629標準更早的2003年。

在此之前的UTF-8標準,RFC 2279中規定6個bytes表示一個字符。MySQL的開發者在2002.3.28編碼實現了RFC 2279 。並發布了pre-pre-release 的 MySQL 4.1

然後在9月出現了一個神秘的字節調整。“UTF8 now works with up to3 byte sequences only.”

是誰提交了這次更新？為什麽？我無法解答。MySQL的源碼移到Git後丟失了舊的作者信息（MySQL 曾經和linux內核一樣使用BitKeeper）

但是我大概能猜出來原因。

回到2002年，如果用戶可以保證表中的每一行具有相同的字節數，MySQL就可以提高用戶的速度。為了得到這個提升，用戶就需要定義保存文字的列為“CHAR”。一個“CHAR”列總是擁有相同的字符數。如果存入的字符較少則會在最後補齊空白。如果存入的數據過多則會被拋棄多余的字符。

當MySQL的開發者第一次嘗試以6字節每字符實現UTF-8時，他們意識到CHAR(1)的列會占用6字節，CHAR(2)會占用12字節，以此類推。

顯而易見的是，這個沒有被使用的實現方式是正確的，任何一個理解UTF-8的開發者將會認同這一點。

我的猜測是：MySQL的開發者違背了“utf8”編碼去幫助那些1)試圖去優化空間和速度的人，2）嘗試優化空間和速度失敗的人。

這是個無人獲益的改動。那些想要更快性能，更小空間的得到的依然是比他們曾經使用版本更大更慢的實現，而那些想要正確的“utf8”的人得到的是個“??”都存儲不了的實現。

MySQL發布了這個錯誤的版本後，在也沒有修復它：因為那樣很多使用者將被迫重建他們的數據庫。MySQL最終在2010年更新了一個以“utf8mb4”命名的UTF-8實現。

Why it’s so frustrating

為什麽這麽操蛋

這周我過得很操蛋。我遇到一個很難發現的bug，就因為我被“utf8”這個名字給愚弄了。而且我也不是個案，我發現幾乎每篇推薦使用“utf8”的文章都錯了。

“utf8”的命名在mysql依然是錯的。這是個專有的實現。這造成了新的問題，而且沒有解決他應該解決的問題。

如果你使用MySQL或者 MariaDB,不要使用“utf8”，應該總是使用“utf8mb4”，否則總有一天會遇到頭疼的事情。

用MySQL的朋友們請不要使用"utf8"，請使用"utf8mb4"