使用MYSQL的時候經常會遇到一個問題，試著通過 Rails 在以“utf8”編碼的 MariaDB 中保存一個 UTF-8 字符串，然后出現了一個特別離奇的錯誤：

Incorrect string value: ‘\xF0\x9F\x98\x83 <…’ for column ‘summary’ at row 1

UTF-8 編碼的客戶端，服務器也是 UTF-8 編碼的，數據庫也是，就連要保存的這個字符串“ <…”也是合法的 UTF-8。問題的癥結在于，MySQL 的“utf8”實際上不是真正的 UTF-8。“utf8”只支持每個字符最多三個字節(jié)，而真正的 UTF-8 是每個字符最多四個字節(jié)。原來MySQL 一直沒有修復這個 bug，他們在 2010 年發(fā)布了一個叫作“utf8mb4”的字符集，繞過了這個問題。他們并沒有對這個新的字符集廣而告之，以致于現在網絡上仍然在建議開發(fā)者使用“utf8”，但是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”只是一種“專屬的編碼”，它能夠編碼的 Unicode 字符并不多。

尚品小編這里建議大家：使用“utf8”的 MySQL 和 MariaDB 的用戶都應該改用“utf8mb4”，永遠都不要再使用“utf8”。

第一、什么是編碼？什么是 UTF-8？

眾所周知，計算機儲存的實質是二進制，是使用 0 和 1 來存儲文本。比如字符“C”被存成“01000011”，那么計算機在顯示這個字符時需要經過兩個步驟：

我的電腦將“C”映射成 Unicode 字符集中的 67。

我的電腦將 67 編碼成“01000011”，并發(fā)送給 Web 服務器。

相對的：

計算機讀取“01000011”，得到數字 67，因為 67 被編碼成“01000011”。

計算機在 Unicode 字符集中查找 67，找到了“C”。

幾乎所有的網絡應用都使用了 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符。最簡單的編碼是 UTF-32，每個字符使用 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(jié)省空間，在 UTF-8 中，字符“C”只需要 8 位，其他的字符可能使用 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。

第二、 MySQL 簡史

為什么 MySQL 開發(fā)者會讓“utf8”失效？我們或許可以從提交日志中尋找答案。

MySQL 4.1 版本支持 UTF-8，也就是 2003 年，而今天使用的 UTF-8 標準（RFC 3629）是隨后才出現的。而舊版的 UTF-8 標準（RFC 2279）最多支持每個字符 6 個字節(jié)。2002 年 3 月 28 日，MySQL 開發(fā)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 個字節(jié)的序列”。那么是誰提交了這些代碼？他為什么要這樣做？這個問題不得而知。在遷移到 Git 后（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字節(jié)數，那么 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符。如果插入的字符少于定義的數量，MySQL 就會在后面填充空格，如果插入的字符超過了定義的數量，后面超出部分會被截斷。

MySQL 開發(fā)者在最開始嘗試 UTF-8 時使用了每個字符 6 個字節(jié)，CHAR(1) 使用 6 個字節(jié)，CHAR(2) 使用 12 個字節(jié)，并以此類推。

可以說，他們最初的版本才是正確的，可惜這一版本一直沒有發(fā)布。但是文檔上卻寫了，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(fā)者或廠商擔心會有用戶做這兩件事：

使用 CHAR 定義列。

將 CHAR 列的編碼設置為“utf8”。

小編猜測應該是 MySQL 開發(fā)者本來想幫助那些希望在空間和速度上雙贏的用戶，但時他們卻搞砸了“utf8”編碼。

所以結果就是失敗的。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“”這樣的字符。

第三、為什么這個問題很引起人們的注意

關于這個問題，小編曾經花費很多時間才找到這個 bug。但是不確定這是唯一的一個，網絡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。