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 <…’ 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。

• 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。

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：

計算機讀取“01000011”，得到數字67，因為67被編碼成“01000011”。
計算機在Unicode字符集中查詢67，找到了“C”。
同樣的：

我的電腦將“C”對映成Unicode字符集中的67。

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發展簡史

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：

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）。
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。

utfmb4字符集具有以下特徵：

支援BMP和補充字元。

每個多位元組字元最多需要四個位元組。

utf8mb4與utf8mb3字符集形成對比，後者僅支援BMP字元，每個字元最多使用三個位元組：

對於BMP字元，utf8mb4和utf8mb3具有相同的儲存特徵：相同的程式碼值，相同的編碼，相同的長度。

對於補充字元，utf8mb4需要四個位元組來儲存它，而utf8mb3根本不能儲存該字元。 將utf8mb3列轉換為utf8mb4時，無需擔心轉換輔助字元的麻煩，因為將沒有補充字元。

utf8mb4是utf8mb3的超集，因此對於諸如以下串聯的操作，結果具有字符集utf8mb4和utf8mb4_col的排序規則：

SELECT CONCAT(utf8mb3_col,utf8mb4_col);

同樣，WHERE子句中的以下比較根據utf8mb4_col的排序規則進行：

SELECT * FROM utf8mb3_tbl,utf8mb4_tbl
WHERE utf8mb3_tbl.utf8mb3_col = utf8mb4_tbl.utf8mb4_col;

總結

如果你在使用MySQL或MariaDB，不要再用“utf8”編碼，而改用“utf8mb4”。

• 推薦閱讀
  將現有資料庫的字元編碼從“utf8”轉成“utf8mb4”。

參考

• https://medium.com/@adamhooper/in-mysql-never-use-utf8-use-utf8mb4-11761243e434
• MySQL 官方手冊