一个线上BUG彻底搞懂MySQL字符集,工作也快搞丢了……

小白 2024-06-03 11:24:00
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。

 

一、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: '\xF0\x9F\x98\x81' 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。

 

二、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。

 

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

 

三、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""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

 

四、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?

 

 
作者丨小白
来源丨公众号:网管叨bi叨(ID:kevin_tech)
dbaplus社群欢迎广大技术人员投稿,投稿邮箱:editor@dbaplus.cn
最新评论
访客 2024年04月08日

如果字段的最大可能长度超过255字节,那么长度值可能…

访客 2024年03月04日

只能说作者太用心了,优秀

访客 2024年02月23日

感谢详解

访客 2024年02月20日

一般干个7-8年(即30岁左右),能做到年入40w-50w;有…

访客 2023年08月20日

230721

活动预告