I recently encountered a bug, I tried to save a UTF-8 string to "utf8" encoding MariaDB by Rails, then there is a bizarre error:
Incorrect string value: '\ xF0 \ x9F \ x98 \ x83 <...' for column 'summary' at row 1
I use UTF-8 encoding of the client, the server is UTF-8 encoded database is also, and even to save the string "<..." it is also a legal UTF-8.
The crux of the problem is that, MySQL is "utf8" is not actually true UTF-8.
"Utf8" only supports up to three bytes per character, while the real UTF-8 is up to four bytes per character.
MySQL has not fix this bug, they released a called "utf8mb4" character set in 2010, to bypass this problem.
Of course, they are not widely advertised to the new character set.
- MySQL's "utf8mb4" is the real "UTF-8"
- MySQL's "utf8" is an "exclusive code", it is able to encode Unicode characters is not much.
All use "utf8" of MySQL and MariaDB users should switch to "utf8mb4", never again use "utf8".
So what is encoded? What is UTF-8?
We all know that computers use 0 and 1 for storing text. Such as character "C" is stored as "01000011", and when computer display this character consists of two steps:
Computer reads "01000011", to obtain a digital 67, since 67 is encoded to "01000011."
Unicode character set the computer to find 67, found a "C".
same:
我的电脑将“C”映射成Unicode字符集中的67。
我的电脑将67编码成“01000011”，并发送给Web服务器。
几乎所有的网络应用都使用了Unicode字符集，因为没有理由使用其他字符集。
Unicode字符集包含了上百万个字符。最简单的编码是UTF-32，每个字符使用32位。这样做最简单，因为一直以来，计算机将32位视为数字，而计算机最在行的就是处理数字。但问题是，这样太浪费空间了。
UTF-8可以节省空间，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。一篇类似本文这样的文章，如果使用UTF-8编码，占用的空间只有UTF-32的四分之一左右。
MySQL的“utf8”字符集与其他程序不兼容，它所谓的“”，可能真的是一坨……
MySQL发展简史
为什么MySQL开发者会让“utf8”失效？我们或许可以从提交日志中寻找答案。
MySQL从4.1版本开始支持UTF-8，也就是2003年，而今天使用的UTF-8标准（RFC 3629）是随后才出现的。
旧版的UTF-8标准（RFC 2279）最多支持每个字符6个字节。2002年3月28日，MySQL开发者在第一个MySQL 4.1预览版中使用了RFC 2279。
同年9月，他们对MySQL源代码进行了一次调整：“UTF8现在最多只支持3个字节的序列”。
是谁提交了这些代码？他为什么要这样做？这个问题不得而知。在迁移到Git后（MySQL最开始使用的是BitKeeper），MySQL代码库中的很多提交者的名字都丢失了。2003年9月的邮件列表中也找不到可以解释这一变更的线索。
不过我可以试着猜测一下。
2002年，MySQL做出了一个决定：如果用户可以保证数据表的每一行都使用相同的字节数，那么MySQL就可以在性能方面来一个大提升。为此，用户需要将文本列定义为“CHAR”，每个“CHAR”列总是拥有相同数量的字符。如果插入的字符少于定义的数量，MySQL就会在后面填充空格，如果插入的字符超过了定义的数量，后面超出部分会被截断。
MySQL开发者在最开始尝试UTF-8时使用了每个字符6个字节，CHAR(1)使用6个字节，CHAR(2)使用12个字节，并以此类推。
应该说，他们最初的行为才是正确的，可惜这一版本一直没有发布。但是文档上却这么写了，而且广为流传，所有了解UTF-8的人都认同文档里写的东西。
不过很显然，MySQL开发者或厂商担心会有用户做这两件事：
使用CHAR定义列（在现在看来，CHAR已经是老古董了，但在那时，在MySQL中使用CHAR会更快，不过从2005年以后就不是这样子了）。
将CHAR列的编码设置为“utf8”。
我的猜测是MySQL开发者本来想帮助那些希望在空间和速度上双赢的用户，但他们搞砸了“utf8”编码。
所以结果就是没有赢家。那些希望在空间和速度上双赢的用户，当他们在使用“utf8”的CHAR列时，实际上使用的空间比预期的更大，速度也比预期的慢。而想要正确性的用户，当他们使用“utf8”编码时，却无法保存像“”这样的字符。
在这个不合法的字符集发布了之后，MySQL就无法修复它，因为这样需要要求所有用户重新构建他们的数据库。最终，MySQL在2010年重新发布了“utf8mb4”来支持真正的UTF-8。
为什么这件事情会让人如此抓狂
因为这个问题，我整整抓狂了一个礼拜。我被“utf8”愚弄了，花了很多时间才找到这个bug。但我一定不是唯一的一个，网络上几乎所有的文章都把“utf8”当成是真正的UTF-8。
“utf8”只能算是个专有的字符集，它给我们带来了新问题，却一直没有得到解决。
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四个字节。
utf8mb4与utf8mb3字符集形成对比，后者仅支持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：相同的代码值，相同的编码，相同的长度。
对于补充字符，utf8mb4需要四个字节来存储它，而utf8mb3根本不能存储该字符。 将utf8mb3列转换为utf8mb4时，无需担心转换辅助字符的麻烦，因为将没有补充字符。
utf8mb4是utf8mb3的超集，因此对于诸如以下串联的操作，结果具有字符集utf8mb4和utf8mb4_col的排序规则：
SELECT CONCAT(utf8mb3_col, utf8mb4_col);
同样，WHERE子句中的以下比较根据utf8mb4_col的排序规则进行：
SELECT * FROM utf8mb3_tbl, utf8mb4_tbl
WHERE utf8mb3_tbl.utf8mb3_col = utf8mb4_tbl.utf8mb4_col;
总结
如果你在使用MySQL或MariaDB，不要再用“utf8”编码，而改用“utf8mb4”。
参考
- https://medium.com/@adamhooper/in-mysql-never-use-utf8-use-utf8mb4-11761243e434
- MySQL 官方手册
