為什麼不建議在 MySQL 中使用 UTF-8?
最近我遇到了一個bug,我試著透過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: ‘ð <…’ 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“?”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:
1.MySQL的“utf8mb4”是真正的“UTF-8”。
2.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”。
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。
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)。
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( )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”。
作者:brightwang
原文:
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/31545820/viewspace-2659509/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 在css中為什麼說不建議使用@import?CSSImport
- 為什麼不建議使用gotoGo
- 到底為什麼不建議使用SELECT * ?
- 到底為什麼不建議使用SELECT *?
- 為什麼不建議使用eval和with?
- Spring中為什麼不建議使用欄位注入Spring
- 為什麼阿里巴巴不建議MySQL使用Text型別?阿里MySql型別
- 為什麼不建議在for迴圈中使用"+"進行字串拼接字串
- 為什麼不建議使用免費的IP代理?
- 為什麼不建議給MySQL設定Null值?《死磕MySQL系列 十八》MySqlNull
- 為什麼不建議使用自定義Object作為HashMap的key?ObjectHashMap
- 為什麼阿里巴巴不建議在for迴圈中使用"+"進行字串拼接阿里字串
- 為什麼阿里巴巴不建議在for迴圈中使用”+”進行字串拼接阿里字串
- 為什麼不建議把資料庫部署在docker容器內?資料庫Docker
- 為什麼現在連Date類都不建議使用了?
- Java面試題:為什麼HashMap不建議使用物件作為Key?Java面試題HashMap物件
- 為什麼idea建議使用“+”拼接字串Idea字串
- 為什麼建議你使用列舉?
- 2024年 為什麼不建議新人學習ABAP
- 為什麼不建議函式有太多引數?函式
- 為什麼不建議在非同步階段注入 Vue 3.0 的生命週期非同步Vue
- 為什麼判斷物件是否相等, 不建議用 equals ?物件
- MySQL為何不建議使用null列MySqlNull
- 為什麼不再建議使用GOPATH以及如何使用Go ModulesGo
- 為什麼我不建議你通過 Python 去找工作?Python
- 談一談全棧,為什麼不建議初學者去做全棧
- 為什麼建議將安全性構建到系統中?
- 入行IT,為什麼建議你學Java?Java
- 知乎萬贊:為什麼我不建議你轉行學python?Python
- 我在大廠做 CR——為什麼建議使用列舉來替換布林值
- 為什麼新的資料庫會議還在不斷早開?資料庫
- 為什麼react在setTimeOut中使用setSate不會批量更新React
- 為什麼在容器中 1 號程式掛不上 arthas?
- 為什麼建議一個容器中只執行一個程式
- 為什麼建議你常閱讀原始碼?原始碼
- 為什麼說Docker 不適合跑 MySQL?DockerMySql
- MySQL中為什麼要使用索引合併(Index Merge)?MySql索引Index
- 【轉載】為什麼 MySQL 不推薦使用子查詢和 joinMySql