如何给女朋友解释为什么不能在MySQL中使用UTF-8编码
The following article is from 漫话编程 Author 漫话编程
(给ImportNew加星标,提高Java技能)
MySQL 是一种关系型数据库,这个大家肯定都不陌生。使用 MySQL 创建数据库的时候,大家需要指定一种编码方式。
很多时候,大家基于自己对编码方式的了解,会认为 UTF-8 是一种通用的编码方式,所以大多数时候会默认选择这种编码方式。
但是,这往往会给你的数据库埋下一个大坑!!!
1. MySQL 对 Unicode 的支持
Unicode 字符集已经成为计算机科学领域里的一项业界标准。它对世界上大部分的文字系统进行了整理、编码,使得计算机可以用更为简单的方式来呈现和处理文字。
为了适应不同的数据存储和传递需求,人们提出了 Unicode Transformation Format(UTF)系列编码。这其中包含 UTF-8、UTF-16、UTF-32 等。
通过查阅 MySQL 官方文档我们可以知道,在 MySQL 中主要支持以下字符集:utf8、ucs2、utf8mb3、utf8mb4、utf16、utf16le 和 utf32。
https://dev.mysql.com/doc/refman/8.0/en/charset-unicode.html
不同的字符集的区别在于包含的字符情况以及存储需要的空间。
在 MySQL 官方文档中,介绍了支持的编码方式之后,还有一段醒目的提醒:
翻译过来是:utf8mb3 字符集已被弃用,它在未来的 MySQL 版本中将会被删除,请使用 utf8mb4 代替。在目前的 8.0 版本中,utf8 指的就是 utf8mb3,虽然未来可能改成 utf8mb4,但是为了避免产生歧义,可以考虑为字符集引用显式指定 utf8mb4,而不是 utf8。
也就是说,当我们在 MySQL 8.0 中指定字符编码方式为 UTF-8 的时候,其实使用的是 utf8mb3 这种编码方式。
那么,我们先来说说 utf8mb3。
utf8mb3 字符集是 MySQL 早期就支持的字符集,具有以下特征:
仅支持 BMP 字符(不支持补充字符);
每个多字节字符最多需要三个字节。
注意:仅支持BMP字符。那么什么是 BMP 字符呢?
BMP 是 Basic Multilingual Plane 的缩写,即码位在 0 到 65535 之间(或者 U+0000 和 U+FFFF)的字符。
BMP 中并不包含补充字符,即码位在 U+10000 和 U+10FFFF 之间的的字符。补充字符有哪些呢,如一些生僻的汉字,或者 Emoji 表情等都是补充字符。
也就是说,如果在建表的时候,指定的编码方式是 utf8mb3(utf-8)。那么对于一些生僻字或者 Emoji 表情都无法表示。
3. utf8mb4
早期的时候,Unicode 只用到了 0~0xFFFF 范围的数字编码,这就是 BMP 字符集。
所以,最初 MySQL 在设计之初,也就只涉及了包含 BMP 字符集的 utfmb3(utf-8)。但是随着文字越来越多,3 个字节肯定无法全部表示,于是 Unicode 支持的字符就更多了。
所以,早期的 utfmb3 在有些场景中就不能满足需求了。于是,MySQL 在 5.5.3 之后增加了 utf8mb4 的编码。
utfmb4 字符集具有以下特征:
支持 BMP 和补充字符;
每个多字节字符最多需要 4 个字节。
utf8mb4 与 utf8mb3 字符集不同,utf8mb3 字符集只支持 BMP 字符,每个字符最多使用三个字节:
对于BMP字符,utf8mb4 和 utf8mb3 具有相同的存储特征。即相同的编码值,相同的编码,相同的长度;
对于补充字符,utf8mb4 需要 4 个字节来存储它,而 utf8mb3 根本不能存储该字符。
所以,我们说 utf8mb4 是 utf8mb3 的超集。
很多时候为了考虑到兼容性,建议创建 MySQL 表的时候,使用 utf8mb4 而不是utf8!
4. utf8mb3 和 utf8mb4 区别及优缺点
前面分别介绍了 utf8mb3 和 utf8mb4 字符集,它们的区别如下:
utf8mb3 只支持 BMP(Basic Multilingual Plane)的字符。utf8mb4 还支持 BMP 之外的补充字符;
utf8mb3 每个字符最多使用 3 个字节。Utf8mb4 每个字符最多使用 4 个字节;
utf8mb4 比 utf8mb3 来说能表示更多的补充字符,但同时占用的空间可能会更大一些。
5. 从utf8mb3转换成utf8mb4
首先,想要把字符集从 utf8mb3 转换到 utf8mb4 问题不大:
对于 BMP 字符,utf8mb4 和 utf8mb3 具有相同的存储特征:相同的编码值、相同的编码、相同的长度;
对于补充字符,utf8mb4 需要 4 个字节来存储它。而 utf8mb3 根本不能存储该字符。当将 utf8mb3 列转换为 utf8mb4 时,不必担心转换补充字符,因为没有补充字符。
假设有一张已知表使用了utf8mb3:
CREATE TABLE t1 (
col1 CHAR(10) CHARACTER SET utf8 COLLATE utf8_unicode_ci NOT NULL,
col2 CHAR(10) CHARACTER SET utf8 COLLATE utf8_bin NOT NULL
) CHARACTER SET utf8;
下面的语句将 t1 转换为 utf8mb4:
ALTER TABLE t1
DEFAULT CHARACTER SET utf8mb4,
MODIFY col1 CHAR(10)
CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci NOT NULL,
MODIFY col2 CHAR(10)
CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL;
- EOF -
看完本文有收获?请转发分享给更多人
关注「ImportNew」,提升Java技能
点赞和在看就是最大的支持❤️