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字符串，然后出現了一個離奇的錯誤：

Incorrect string value: ‘e <…’ for column ‘summary’ at row 1

我用的是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，而真正的UTF-8是每個字符最多四個字節。

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，他們并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），以致于現在網絡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：

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字符并不多。

我要在這里澄清一下：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”。

那么什么是編碼？什么是UTF-8？

我們都知道，計算機使用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：

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字符集中查找67，找到了“C”。

同樣的：

1. 我的電腦將“C”映射成Unicode字符集中的67。

2. 我的電腦將67編碼成“01000011”，并發送給Web服務器。

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可以節省空間，在UTF-8中，字符“C”只需要8位，一些不常用的字符，比如“”需要32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。

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

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

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）是隨后才出現的。

舊版的UTF-8標準（RFC 2279）最多支持每個字符6個字節。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個字節的序列”。

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

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。但是文檔上卻這么寫了，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：

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2005年以后就不是這樣子了）。

2. 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“”這樣的字符。

在這個不合法的字符集發布了之后，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數據庫。最終，MySQL在2010年重新發布了“utf8mb4”來支持真正的UTF-8。

為什么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。

總結

如果你在使用MySQL或MariaDB，不要用“utf8”編碼，改用“utf8mb4”。這里（https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4）提供了一個指南用于將現有數據庫的字符編碼從“utf8”轉成“utf8mb4”。