一年后，我看到一篇文章讲到 emoji 文字占 4 个字节，通常要用 utf-8 去接收才行，其他编码可能会出错。
我突然想到去年操作 MySQL 把 utf8 改成 utf8mb4 的事儿。
嗯？他本身不就是 utf8 编码么！那我当时还改个锤子？难道，MySQL 的 utf8 不是真正的 UTF-8 编码吗？？! 卧槽，这 MySQL 有 Bug！
带着疑问查询了很多相关材料，才发现这竟然是 MySQL 的一个历史遗留问题。我笑了，没想到这么牛 B 的 MySQL 也会有这段往事。
改了数据库编码、系统编码以及表字段的编码格式→utf8mb4 之后，就可以了：
MySQL 的“utf8”实际上不是真正的 UTF-8。
在 MySQL 中，“utf8”编码只支持每个字符最多三个字节，而真正的 UTF-8 是每个字符最多四个字节。
在 utf8 编码中，中文是占 3 个字节，其他数字、英文、符号占一个字节。
如上图中所示，这是编码改成 utf8mb4 后入库的数据，大家可以清晰的对比一下所占的字符数、字节数。
MySQL 一直没有修复这个 Bug，他们在 2010 年发布了一个叫作“utf8mb4”的字符集，巧妙的绕过了这个问题。
当然，他们并没有对新的字符集广而告之（可能是因为这个 Bug 让他们觉得很尴尬），以致于现在网络上仍然在建议开发者使用“utf8”，但这些建议都是错误的。
是的，MySQL 的“utf8mb4”才是真正的“UTF-8”。
MySQL 的“utf8”是一种“专属的编码”，它能够编码的 Unicode 字符并不多。
那么什么是编码？什么是 UTF-8？我们都知道，计算机使用 0 和 1 来存储文本，比如字符“C”被存成“01000011”。
那么计算机在显示这个字符时需要经过两个步骤：
计算机读取“01000011”，得到数字 67，因为 67 被编码成“01000011”。
计算机在 Unicode 字符集中查找 67，找到了“C”。
同样的：
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。
为什么 MySQL 开发者会让“utf8”失效？我们或许可以从 MySQL 版本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。
不过我们可以试着猜测一下：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。
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，因为“😓”是 4 个字节的。
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。
主要是目前网络上几乎所有的文章都把 “utf8” 当成是真正的 UTF-8，包括之前我写的文章以及做的项目（捂脸）；因此希望更多的朋友能够看到这篇文章。
相信还有很多跟我在同一条船上的人，这是必然的。
所以，大家以后再搭建 MySQL、MariaDB 数据库时，记得将数据库相应编码都改为 utf8mb4。
终有一天，接你班儿的程序员发或你的领导现这个问题后，一定会在心里默默感到你的技术牛 B。
往期热门文章：
本文分享自微信公众号 - 架构师修炼（jiagouxiulian）。
如有侵权，请联系 [email protected] 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。