MySQL的UTF-8编码总结

mysql里中文占多少个字节？
1. 一个中文汉字占多少字节与编码有关：
UTF8：一个中文汉字＝3个字节，英文字母1字节，每个字符最多占3字节;
GBK：一个中文汉字＝2个字节，英文字母占1字节，每个字符最多占2个字节；
2.varchar(n)能存储几个汉字？
varchar(n)表示n个字符，无论汉字和英文，Mysql都能存入n个字符，仅是实际字节长度有所区别
3.MySQL怎么检查长度(占的字节数)？
可用SQL语言中length函数：select LENGTH(fieldname) from tablename
说明：
UTF-8：Unicode Transformation Format-8bit，允许含BOM，但通常不含BOM。是用以解决国际上字符的一种多字节编码，它对英文使用8位(即一个字节)，中文使用24为(三个字节)来编码。UTF-8包含全世界所有国家需要用到的字符，是国际编码，通用性强。UTF-8编码的文字可以在各国支持UTF8字符集的浏览器上显示。如，如果是UTF8编码，则在外国人的英文IE上也能显示中文，他们无需下载IE的中文语言支持包。
GBK 是国家标准GB2312基础上扩容后兼容GB2312的标准。GBK的文字编码是用双字节来表示的，即不论中、英文字符均使用双字节来表示，为了区分中文，将其最高位都设定成1。GBK包含全部中文字符，是国家编码，通用性比UTF8差，不过UTF8占用的数据库比GBD大。

---------------------------------- mysql 编码 utf8 是真正的UTF-8吗？？？ -----------------------
记得去年我在往MySQL存入emoji表情时，一直出错，无法导入。后来找到办法，通过把 utf8 改成 utf8mb4 就可以了，并没有深究。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。难道，MySQL的utf8不是真正的UTF-8编码吗？？!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。
一、报错回顾
将emoji文字直接写入SQL中，执行 insert 语句报错；
INSERT INTO csjdemo.student (ID, NAME, SEX, AGE, CLASS, GRADE, HOBBY)
VALUES ('20', '陈哈哈 ', '男', '20', '181班', '9年级', '看片儿');
[Err] 1366 - Incorrect string value: '\xF0\x9F\x98\x93' for column 'NAME' at row 1
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：
INSERT INTO student (ID, NAME, SEX, AGE, CLASS, GRADE, HOBBY)
VALUES (null, '陈哈哈 ', '男', '20', '181班', '9年级', '看片儿');
二、MySQL中utf8的趣事
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。但emoji符号占4个字节，一些较复杂的文字、繁体字也是4个字节。所以导致写入失败，应该改成utf8mb4。
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。正因如此，4字节的内容往utf8编码中插入，肯定是不行的，插不进去啊，是吧(大潘摊手)。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。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。在这里Mark一下：所有在使用“utf8”的MySQL和MariaDB用户都应该改用“utf8mb4”，永远都不要再使用“utf8”。
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。
2. utf8 的简史
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。
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，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。
三、总结
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。