記住,永遠不要在MySQL中使用「utf8」
作者 | Adam Hooper
譯者 | 無明
最近我遇到了一個 bug,我試著通過 Rails 在以「utf8」編碼的 MariaDB 中保存一個 UTF-8 字元串,然後出現了一個離奇的錯誤:
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,就連要保存的這個字元串「
問題的癥結在於,MySQL 的「utf8」實際上不是真正的 UTF-8。
「utf8」只支持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 年發布了一個叫作「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 用戶都應該改用「utf8mb4」,永遠都不要再使用「utf8」。
什麼是編碼?什麼是 UTF-8?
我們都知道,計算機使用 0 和 1 來存儲文本。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:
同樣的:
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」字符集與其他程序不兼容,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 版本開始支持 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)最多支持每個字元 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 源代碼進行了一次調整:「UTF8 現在最多只支持 3 個位元組的序列」。
是誰提交了這些代碼?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 代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:如果用戶可以保證數據表的每一行都使用相同的位元組數,那麼 MySQL 就可以在性能方面來一個大提升。為此,用戶需要將文本列定義為「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發布。但是文檔上卻這麼寫了,而且廣為流傳,所有了解 UTF-8 的人都認同文檔里寫的東西。
不過很顯然,MySQL 開發者或廠商擔心會有用戶做這兩件事:
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 列的編碼設置為「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用戶,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用戶,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。而想要正確性的用戶,當他們使用「utf8」編碼時,卻無法保存像「」這樣的字元。
在這個不合法的字符集發布了之後,MySQL 就無法修復它,因為這樣需要要求所有用戶重新構建他們的資料庫。最終,MySQL 在 2010 年重新發布了「utf8mb4」來支持真正的 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。
寫在最後
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」:
https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4
英文原文
https://medium.com/@adamhooper/in-mysql-never-use-utf8-use-utf8mb4-11761243e434
※素人程序員:如何在技術浪潮更迭中保持較高成長速度?
※為什麼說你應該把CI/CD變成你的關鍵能力
TAG:InfoQ |