記住,永遠不要在MySQL中使用“utf8”

weixin_33763244發表於2018-06-24

最近我遇到了一個bug,我試著通過Rails在以“utf8”編碼的MariaDB中儲存一個UTF-8字串,然後出現了一個離奇的錯誤:

\\
\Incorrect string value: ‘\\xF0\\x9F\\x98\\x83 \u0026lt;…’ for column ‘summary’ at row 1
\\

我用的是UTF-8編碼的客戶端,伺服器也是UTF-8編碼的,資料庫也是,就連要儲存的這個字串“ \u0026lt;…”也是合法的UTF-8。

\\

問題的癥結在於,MySQL的“utf8”實際上不是真正的UTF-8。

\\

“utf8”只支援每個字元最多三個位元組,而真正的UTF-8是每個字元最多四個位元組。

\\

MySQL一直沒有修復這個bug,他們在2010年釋出了一個叫作“utf8mb4”的字符集,繞過了這個問題。

\\

當然,他們並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),以致於現在網路上仍然在建議開發者使用“utf8”,但這些建議都是錯誤的。

\\

簡單概括如下:

\\
  • MySQL的“utf8mb4”是真正的“UTF-8”。\\t
  • MySQL的“utf8”是一種“專屬的編碼”,它能夠編碼的Unicode字元並不多。\

我要在這裡澄清一下:所有在使用“utf8”的MySQL和MariaDB使用者都應該改用“utf8mb4”,永遠都不要再使用“utf8”。

\\

那麼什麼是編碼?什麼是UTF-8?

\\

我們都知道,計算機使用0和1來儲存文字。比如字元“C”被存成“01000011”,那麼計算機在顯示這個字元時需要經過兩個步驟:

\\
  1. 計算機讀取“01000011”,得到數字67,因為67被編碼成“01000011”。\\t
  2. 計算機在Unicode字符集中查詢67,找到了“C”。\

同樣的:

\\
  1. 我的電腦將“C”對映成Unicode字符集中的67。\\t
  2. 我的電腦將67編碼成“01000011”,併傳送給Web伺服器。\

幾乎所有的網路應用都使用了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元。最簡單的編碼是UTF-32,每個字元使用32位。這樣做最簡單,因為一直以來,計算機將32位視為數字,而計算機最在行的就是處理數字。但問題是,這樣太浪費空間了。

\\

UTF-8可以節省空間,在UTF-8中,字元“C”只需要8位,一些不常用的字元,比如“”需要32位。其他的字元可能使用16位或24位。一篇類似本文這樣的文章,如果使用UTF-8編碼,佔用的空間只有UTF-32的四分之一左右。

\\

MySQL的“utf8”字符集與其他程式不相容,它所謂的“”,可能真的是一坨……

\\

MySQL簡史

\\

為什麼MySQL開發者會讓“utf8”失效?我們或許可以從提交日誌中尋找答案。

\\

MySQL從4.1版本開始支援UTF-8,也就是2003年,而今天使用的UTF-8標準(RFC 3629)是隨後才出現的。

\\

舊版的UTF-8標準(RFC 2279)最多支援每個字元6個位元組。2002年3月28日,MySQL開發者在第一個MySQL 4.1預覽版中使用了RFC 2279。

\\

同年9月,他們對MySQL原始碼進行了一次調整:“UTF8現在最多隻支援3個位元組的序列”。

\\

是誰提交了這些程式碼?他為什麼要這樣做?這個問題不得而知。在遷移到Git後(MySQL最開始使用的是BitKeeper),MySQL程式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。

\\

不過我可以試著猜測一下。

\\

2002年,MySQL做出了一個決定:如果使用者可以保證資料表的每一行都使用相同的位元組數,那麼MySQL就可以在效能方面來一個大提升。為此,使用者需要將文字列定義為“CHAR”,每個“CHAR”列總是擁有相同數量的字元。如果插入的字元少於定義的數量,MySQL就會在後面填充空格,如果插入的字元超過了定義的數量,後面超出部分會被截斷。

\\

MySQL開發者在最開始嘗試UTF-8時使用了每個字元6個位元組,CHAR(1)使用6個位元組,CHAR(2)使用12個位元組,並以此類推。

\\

應該說,他們最初的行為才是正確的,可惜這一版本一直沒有釋出。但是文件上卻這麼寫了,而且廣為流傳,所有了解UTF-8的人都認同文件裡寫的東西。

\\

不過很顯然,MySQL開發者或廠商擔心會有使用者做這兩件事:

\\
  1. 使用CHAR定義列(在現在看來,CHAR已經是老古董了,但在那時,在MySQL中使用CHAR會更快,不過從2005年以後就不是這樣子了)。\\t
  2. 將CHAR列的編碼設定為“utf8”。\

我的猜測是MySQL開發者本來想幫助那些希望在空間和速度上雙贏的使用者,但他們搞砸了“utf8”編碼。

\\

所以結果就是沒有贏家。那些希望在空間和速度上雙贏的使用者,當他們在使用“utf8”的CHAR列時,實際上使用的空間比預期的更大,速度也比預期的慢。而想要正確性的使用者,當他們使用“utf8”編碼時,卻無法儲存像“”這樣的字元。

\\

在這個不合法的字符集釋出了之後,MySQL就無法修復它,因為這樣需要要求所有使用者重新構建他們的資料庫。最終,MySQL在2010年重新發布了“utf8mb4”來支援真正的UTF-8。

\\

為什麼這件事情會讓人如此抓狂

\\

因為這個問題,我整整抓狂了一個禮拜。我被“utf8”愚弄了,花了很多時間才找到這個bug。但我一定不是唯一的一個,網路上幾乎所有的文章都把“utf8”當成是真正的UTF-8。

\\

“utf8”只能算是個專有的字符集,它給我們帶來了新問題,卻一直沒有得到解決。

\\

總結

\\

如果你在使用MySQL或MariaDB,不要用“utf8”編碼,改用“utf8mb4”。這裡(https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4)提供了一個指南用於將現有資料庫的字元編碼從“utf8”轉成“utf8mb4”。

\\

英文原文:https://medium.com/@adamhooper/in-mysql-never-use-utf8-use-utf8mb4-11761243e434

相關文章