關於Mysql的 UTF 8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2023年發布了乙個叫作「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。

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」。**

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」，並傳送給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，占用的空間只有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……

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2023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。2023年3月28日，mysql開發者在第乙個mysql 4.1預覽版中使用了rfc 2279。mysql資料庫開發的 36 條軍規，這個要記住。

同年9月，他們對mysql源**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**？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**庫中的很多提交者的名字都丟失了。2023年9月的郵件列表中也找不到可以解釋這一變更的線索。

2023年，mysql做出了乙個決定：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乙個大提公升。

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發布。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。

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2023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發布了之後，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2023年重新發布了「utf8mb4」來支援真正的utf-8。

因為這個問題，我整整抓狂了乙個禮拜。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乙個，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。