那天,我还在外面吃成都六姐的冒菜。
牛肉丸裹上麻酱后,狠狠嘬一口,都要入嘴了。
产品经理突然发来消息。
"线上有些用户不能注册了"。
心想着"关我x事,又不是我做的模块",放下手机。
不对,那老哥上礼拜刚离职了,想到这里,夹住毛肚的手微微颤抖。
对面继续发:"还有些用户不能改名"。
"如果用上表情符号的话,问题必现"。
可以了,这下问题几乎直接定位了。
危,速归。
有经验的兄弟们很容易看出,这肯定是因为字符集的缘故。
复现问题
我们来简单复现下这个问题。
如果你有一张数据库表,建表sql就像下面一样。
建表sql语句
接下来如果你插入的数据是。
insert成功case
能成功。一切正常。
但如果你插入的是
insert失败case
就会报错。
Incorrect string value: 'xF0x9Fx98x81' for column 'name' at row 1
区别在于后者多了个emoji表情。
明明也是字符串,为什么字符串里含有emoji表情,插入就会报错呢?
我们从字符集编码这个话题开始聊起。
编码和字符集的关系
虽然我们平时可以在编辑器上输入各种中文英文字母,但这些都是给人读的,不是给计算机读的,其实计算机真正保存和传输数据都是以二进制0101的格式进行的。
那么就需要有一个规则,把中文和英文字母转化为二进制,比如"debug",计算机就需要把它转化为下图这样。
debug的编码
其中d对应十六进制下的64,它可以转换为01二进制的格式。
于是字母和数字就这样一一对应起来了,这就是ASCII编码格式。
它用一个字节,也就是8位来标识字符,基础符号有128个,扩展符号也是128个。
也就只能表示下英文字母和数字。
这哪里够用。
塞牙缝都不够。
于是为了标识中文,出现了GB2312的编码格式。为了标识希腊语,出现了greek编码格式,为了标识俄语,整了cp866编码格式。
这百花齐放的场面,显然不是一个爱写if else的程序员想看到的。
为了统一它们,于是出现了Unicode编码格式,它用了2~4个字节来表示字符,这样理论上所有符号都能被收录进去,并且它还完全兼容ASCII的编码,也就是说,同样是字母d,在ASCII用64表示,在Unicode里还是用64来表示。
但不同的地方是ASCII编码用1个字节来表示,而Unicode用则两个字节来表示。
比如下图,同样都是字母d,unicode比ascii多使用了一个字节。
unicode比ascii多使用一个字节
我们可以注意到,上面的unicode编码,放在前面的都是0,其实用不上,但还占了个字节,有点浪费,完全能隐藏掉。如果我们能做到该隐藏时隐藏,这样就能省下不少空间,按这个思路,就是就有了UTF-8编码。
编码格式
来总结下。
按照一定规则把符号和二进制码对应起来,这就是编码。而把n多这种已经编码的字符聚在一起,就是我们常说的字符集。
比如utf-8字符集就是所有utf-8编码格式的字符的合集。
字符和字符集的关系
mysql的字符集
想看下mysql支持哪些字符集。可以执行 show charset。
数据库支持哪些字符集
上面这么多字符集,我们只需要关注utf8和utf8mb4就够了。
utf8和utf8mb4的区别
上面提到utf-8是在unicode的基础上做的优化,既然unicode有办法表示所有字符,那utf-8也一样可以表示所有字符,为了避免混淆,我在后面叫它大utf8。
而从上面mysql支持的字符集的图里,我们看到了utf8和utf8mb4。
先说utf8mb4编码,mb4就是most bytes 4的意思,从上图最右边的Maxlen可以看到,它最大支持用4个字节来表示字符,它几乎可以用来表示目前已知的所有的字符。
再说mysql字符集里的utf8,它是数据库的默认字符集。但注意,此utf8非彼utf8,我们叫它小utf8字符集。为什么这么说,因为从Maxlen可以看出,它最多支持用3个字节去表示字符,按utf8mb4的命名方式,准确点应该叫它utf8mb3。
不好意思,有被严谨到的兄弟们,评论区扣个"严谨"。
它就像是阉割版的utf8mb4,只支持部分字符。比如emoji表情,它就不支持。
utf8mb3和utf8mb4的关系
而mysql支持的字符集里,第三列,collation,它是指字符集的比较规则。
比如,"debug"和"Debug"是同一个单词,但它们大小写不同,该不该判为同一个单词呢。
这时候就需要用到collation了。
通过SHOW COLLATION WHERE Charset = 'utf8mb4';可以查看到utf8mb4下支持什么比较规则。
utf8mb4字符集比较规则
如果collation = utf8mb4_general_ci,是指使用utf8mb4字符集的前提下,挨个字符进行比较(general),并且不区分大小写(_ci,case insensitice)。
这种情况下,"debug"和"Debug"是同一个单词。
对比规则-大小写不敏感
如果改成collation=utf8mb4_bin,就是指挨个比较二进制位大小。
于是"debug"和"Debug"就不是同一个单词。
对比规则-大小写敏感
那utf8mb4对比utf8mb3有什么劣势吗?
我们知道数据库表里,字段类型如果是char(2)的话,里面的2是指字符个数,也就是说不管这张表用的是什么编码的字符集,都能放上2个字符。
而char又是固定长度,为了能放下2个utf8mb4的字符,char会默认保留2*4(maxlen=4)= 8个字节的空间。
如果是utf8mb3,则会默认保留 2 * 3 (maxlen=3) = 6个字节的空间。也就是说,在这种情况下,utf8mb4会比utf8mb3多使用一些空间。
但这真的无关紧要,如果我不用char,用varchar就好了,varchar不是固定长度,也就没有上面这些麻烦事了。
所以我个人认为,utf8mb4比起 utf8mb3 几乎没有劣势。
如何查看数据库表的字符集
如果我们不知道自己的表是用的哪种字符集,可以通过下面的方式进行查看。
查看数据库表的字符集
再看报错原因
到这里,我们回到文章开头的问题。
因为数据库表在建表的时候使用 DEFAULT CHARSET=utf8, 相当于指定了utf8mb3字符集格式。
而在执行insert数据的时候,又不讲武德,加入了emoji表情这种utf8mb4才能支持的字符,mysql识别到这是utf8mb3不支持的字符,于是忍痛报错。
要修复也很简单,执行下面的sql语句,就可以把数据库表的字符集改成utf8mb4。
ALTER TABLE user ConVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;
答应我,以后建表,我们都无脑选utf8mb4。
选utf8除了在char字段场景下会比utf8mb4稍微省一点空间外,几乎没任何好处。
这点空间省下来了能提高你的绩效吗?不能。
但如果因此炸雷了,那你号就没了。
总结
- ASCII编码支持数字和字母。大佬们为了支持中文引入了GB2312编码格式,其他国家的大佬们为了支持更多语言和符号,也引入了相应的编码格式。为了统一这些各种编码格式,大佬们又引入了unicode编码格式,而utf-8则在unicode的基础上做了优化,压缩了空间。
- mysql默认的utf8字符集,其实只是utf8mb3,并不完整,当插入emoji表情等特殊字符时,会报错,导致插入、更新数据失败。改成utf8mb4就好了,它能支持更多字符。
- mysql建表时如果不知道该选什么字符集,无脑选utf8mb4就行了,你会感谢我的。
最后
原本A同学设计这张表的时候非常简单,也有字符串类型的字段,但字段含义决定了肯定不会有奇奇怪怪的字符,用utf8很合理,还省空间。
后来交接给了B同学,B同学在这基础上加过非常多的字段,离职前最后一个需求加的这个名称字段,所幸并没炸雷。最后到了我这里。
好一个击鼓传雷。
有点东西哦。
那么问题来了。
这样的一个事故,复盘会一开,会挂P几呢?
免责声明:本平台仅供信息发布交流之途,请谨慎判断信息真伪。如遇虚假诈骗信息,请立即举报
举报