MySQL的“utf8”實際上不是真正的UTF-8。 MySQL中的“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一直沒有修複這個bug，但是他們在2010年發佈了一個叫作“utf8mb4”的字元集，繞過了這個問題。 當然，他們並沒有對新的字元集廣而告 ...
MySQL的“utf8”實際上不是真正的UTF-8。
MySQL中的“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一直沒有修複這個bug，但是他們在2010年發佈了一個叫作“utf8mb4”的字元集，繞過了這個問題。
當然，他們並沒有對新的字元集廣而告之(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。
那麼什麼是編碼？什麼是UTF-8？
我們都知道，電腦使用0和1來存儲文本。比如字元“C”被存成“01000011”，那麼電腦在顯示這個字元時需要經過兩個步驟：
- 電腦讀取“01000011”，得到數字67，因為67被編碼成“01000011”。
- 電腦在Unicode字元集中查找67，找到了“C”。
同樣的：
- 我的電腦將“C”映射成Unicode字元集中的67。
- 我的電腦將67編碼成“01000011”，併發送給Web伺服器。
幾乎所有的網路應用都使用了Unicode字元集，因為沒有理由使用其他字元集。
Unicode字元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，電腦將32位視為數字，而電腦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”字元集與其他程式不相容，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佈。但是文檔上卻這麼寫了，而且廣為流傳，所有瞭解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。
在這個不合法的字元集發佈了之後，MySQL就無法修複它，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年重新發佈了“utf8mb4”來支持真正的UTF-8。
總結
如果你在使用MySQL或MariaDB，不要用“utf8”編碼，改用“utf8mb4”。
而如果不幸，你已經使用了“utf8”編碼，這裡(https://mathiasbynens.be/notes/mysql-utf8mb4#utf8-to-utf8mb4)提供了一個指南可以幫助你將現有資料庫的字元編碼從“utf8”轉成“utf8mb4”。
