歡迎光臨
每天分享高質量文章

記住:永遠不要在 MySQL 中使用 UTF-8

  • 那麼什麼是編碼?什麼是 UTF-8?
  • MySQL 簡史
  • 為什麼這件事情會讓人如此抓狂
  • 總結

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: ‘\xF0\x9F\x98\x83 

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“

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 一直沒有修複這個 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”。
  • 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 月的郵件串列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。但是檔案上卻這麼寫了,而且廣為流傳,所有瞭解 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 就無法修複它,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 年重新釋出了“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

已同步到看一看
贊(0)

分享創造快樂