一、字符集概述

 

字符集（Character Set）是多個字元的集合，字符集種類較多，每個字符集包含的字元個數不同，常見字符集名稱：ASCII、GB2312、BIG5、Unicode等。

UTF(Unicode Tranformation Format)是Unicode的其中一個使用方式，即把Unicode轉做某種格式的意思，包括UTF-8，UTF-16，UTF-32。

UTF-8（8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字元編碼，又稱萬國碼。

UTF-8用1到6個位元組編碼Unicode字元。用在網頁上可以同一頁面顯示中文簡體繁體及其它語言（如英文，日文，韓文）。

UTF-16使用一個或兩個未分配的16位程式碼單元的序列對Unicode程式碼點進行編碼。

UTF-32即將每一個Unicode程式碼點表示為相同值的32位整數。

下面是UTF-8的編碼方式：

二、MySQL的字符集

MySQL的字符集包括字符集（charset）和校對規則（collation）兩個概念。

字符集定義了儲存字串的方式，校對規則定義了比較字串的方式。

MySQL8.0支援40多種字符集的270多種校對規則。

可以使用以下指令，來檢視MySQL系統支援的字符集和校對規則。如下：

MySQL8.0之前建立表不指定字符集的話，預設採用latin1字符集，MySQL8.0之後版本才改為預設utf8mb4(most bytes 4)字符集， 崑崙資料庫儲存節點採用的是MySQL8.0架構，當然也是預設utf8mb4。

UTF-8，在MySQL中寫作utf8，真的有所不同。

MySQL從4.1版本開始支援utf8。可能當時的utf8還沒有定義4-6個位元組標準，或者MySQL設計者認為1-3個位元組的utf8已經夠用了。

所以當時MySQL設計的utf8只支援1-3個位元組的編碼，不是完整的utf8，這種編碼方式一直保留至今。

雖然在MySQL在5.5.3之後增加了utf8mb4字符集，但一段時間開發人員都習慣採用utf8等字符集來支援中文。

MySQL的utf8會導致一些4個位元組編碼的生僻漢字插入錯誤。

還有現在APP端的emoji表情是4個位元組的字元，如果不轉碼，直接更新到資料庫也會報出異常。

歷史原因導致MySQL的utf8經常讓人誤解，曾經讓很多開發人員吃了苦頭，網上有些文章比如：“永遠不要在MySQL中使用utf8”，看著都挺嚇人。

當然過個幾年4個位元組的utf8mb4編碼可能又不夠用了，那MySQL又要增加utf8mb5、utf8mb6。

字元除了需要儲存，還需要排序或比較大小，涉及與字符集相對應的校對規則。在MySQL8.0中檢視一下utf8mb4對應的校對規則：

utf8mb4的校對規則預設utf8mb4_0900_ai_ci。其中0900表示Unicode版本9.0.0，字尾含義如下表：

三、舉例來解釋一下MySQL的utf8字符集

建立兩張表，分別為utf8和utf8mb4字符集：

插入資料：

檢視一下表格資料，以及佔用空間：

可以看出utf8字符集中，一般的漢字佔用3個位元組，英文和數字佔1個位元組。

 

接下來試下4個位元組的emoji表情包：  

插入4個位元組的emoji表情包失敗了。

因為大部分SSH工具不支援4位元組的UTF-8字元顯示，筆者是直接在Ubuntu20系統的Terminal做的演示。4位元組的生僻漢字暫時找不到支援的終端介面，這裡就不演示了。

 

我們在支援4個位元組的utf8mb4表格中插入emoji表情包，並檢視一下資料，以及佔用空間：

 

最後我們來看看校驗規則，在tb_utf8mb4中插入一些資料：

檢視一下資料,三個記錄都出來了：

 

這種校對規則，對於網址，郵箱地址等不區分大小寫的場景十分好用，但如果我們需要區分大小寫，可以修改一下校對規則：

再檢視一下資料，這回只有一條記錄滿足：

MySQL的字符集就聊到這裡了，下一篇帶來MySQL的儲存引擎相關內容~

-END-