聊一聊MySQL的字符集
一、字符集概述
字符集(Character Set)是多个字符的集合,字符集种类较多,每个字符集包含的字符个数不同,常见字符集名称:ASCII、GB2312、BIG5、Unicode等。
UTF(Unicode Tranformation Format)是Unicode的其中一个使用方式,即把Unicode转做某种格式的意思,包括UTF-8,UTF-16,UTF-32。
UTF-8(8-bit Unicode Transformation Format)是一种针对Unicode的可变长度字符编码,又称万国码。
UTF-8用1到6个字节编码Unicode字符。用在网页上可以同一页面显示中文简体繁体及其它语言(如英文,日文,韩文)。
UTF-16使用一个或两个未分配的16位代码单元的序列对Unicode代码点进行编码。
UTF-32即将每一个Unicode代码点表示为相同值的32位整数。
下面是UTF-8的编码方式:
一个字节:0xxxxxxx
两个字节:110xxxxx 10xxxxxx
三个字节:1110xxxx 10xxxxxx 10xxxxxx
四个字节:11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
五个字节:111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
六个字节:1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
二、MySQL的字符集
MySQL的字符集包括字符集(charset)和校对规则(collation)两个概念。
字符集定义了存储字符串的方式,校对规则定义了比较字符串的方式。
MySQL8.0支持40多种字符集的270多种校对规则。
可以使用以下指令,来查看MySQL系统支持的字符集和校对规则。如下:
mysql> show charset;
mysql> show collation;
MySQL8.0之前创建表不指定字符集的话,默认采用latin1字符集,MySQL8.0之后版本才改为默认utf8mb4(most bytes 4)字符集,昆仑数据库存储节点采用的是MySQL8.0架构,当然也是默认utf8mb4。
UTF-8,在MySQL中写作utf8,真的有所不同。
MySQL从4.1版本开始支持utf8。可能当时的utf8还没有定义4-6个字节标准,或者MySQL设计者认为1-3个字节的utf8已经够用了。
所以当时MySQL设计的utf8只支持1-3个字节的编码,不是完整的utf8,这种编码方式一直保留至今。
虽然在MySQL在5.5.3之后增加了utf8mb4字符集,但一段时间开发人员都习惯采用utf8等字符集来支持中文。
MySQL的utf8会导致一些4个字节编码的生僻汉字插入错误。
还有现在APP端的emoji表情是4个字节的字符,如果不转码,直接更新到数据库也会报出异常。
历史原因导致MySQL的utf8经常让人误解,曾经让很多开发人员吃了苦头,网上有些文章比如:“永远不要在MySQL中使用utf8”,看着都挺吓人。
当然过个几年4个字节的utf8mb4编码可能又不够用了,那MySQL又要增加utf8mb5、utf8mb6。
字符除了需要存储,还需要排序或比较大小,涉及与字符集相对应的校对规则。在MySQL8.0中查看一下utf8mb4对应的校对规则:
mysql> show collationlike 'utf8mb4%';
+----------------------------+---------+-----+---------+
| Collation | Charset | Id | Default |
+----------------------------+---------+-----+---------+
|utf8mb4_0900_ai_ci | utf8mb4 |255 | Yes |
|utf8mb4_0900_as_ci | utf8mb4 |305 | |
|utf8mb4_0900_as_cs | utf8mb4 |278 | |
|utf8mb4_0900_bin | utf8mb4 |309 | |
| utf8mb4_bin | utf8mb4 | 46 | |
| ................... | | | |
75 rows in set (0.00sec)
utf8mb4的校对规则默认utf8mb4_0900_ai_ci。其中0900表示Unicode版本9.0.0,后缀含义如下表:
+-------------+----------------------+-----------------+
| 后缀 | 英文 | 描述 |
+-------------+----------------------+-----------------+
| _ai | accent insensitive | 不区分重音 |
| _as | accent sensitive | 区分重音 |
| _ci | case insensitive | 不区分大小写 |
| _cs | case sensitive | 区分大小写 |
| _bin | binary | 二进制比较 |
+-------------+----------------------+-----------------+
三、举例来解释一下MySQL的utf8字符集
创建两张表,分别为utf8和utf8mb4字符集:
CREATE TABLE tb_utf8(
`id` INT AUTO_INCREMENT,
`info` VARCHAR(8),
PRIMARY KEY (`id`))CHARSET=utf8;
CREATE TABLE tb_utf8mb4(
`id` INT AUTO_INCREMENT,
`info` VARCHAR(8),
PRIMARY KEY (`id`)); #默认采用utf8mb4
插入数据:
insert into tb_utf8(info) values("昆仑数据库");
insert into tb_utf8(info) values("昆仑数据库A12");
insert into tb_utf8(info) values("昆仑数据库A123");#超过8个字符失败了
查看一下表格数据,以及占用空间:
mysql> selectinfo,length(info) from tb_utf8;
+--------------------+--------------+
| info | length(info) |
+--------------------+--------------+
| 昆仑数据库 | 15 |
| 昆仑数据库A12 | 18 |
+--------------------+--------------+
2 rows in set (0.00sec)
可以看出utf8字符集中,一般的汉字占用3个字节,英文和数字占1个字节。
接下来试下4个字节的emoji表情包:
插入4个字节的emoji表情包失败了。
因为大部分SSH工具不支持4字节的UTF-8字符显示,笔者是直接在Ubuntu20系统的Terminal做的演示。4字节的生僻汉字暂时找不到支持的终端界面,这里就不演示了。
我们在支持4个字节的utf8mb4表格中插入emoji表情包,并查看一下数据,以及占用空间:
后我们来看看校验规则,在tb_utf8mb4中插入一些数据:
insert into tb_utf8mb4(info) values("ABC");
insert into tb_utf8mb4(info) values("Abc");
insert into tb_utf8mb4(info) values("abc");
查看一下数据,三个记录都出来了:
mysql> select info from tb_utf8mb4 where info="abc";
+------+
| info |
+------+
| ABC |
| Abc |
| abc |
+------+
3 rows in set (.00 sec)
这种校对规则,对于网址,邮箱地址等不区分大小写的场景十分好用,但如果我们需要区分大小写,可以修改一下校对规则:
alter table tb_utf8mb4 modify info varchar(8) collate utf8mb4_0900_as_cs;
再查看一下数据,这回只有一条记录满足:
mysql> select info from tb_utf8mb4 where info="abc";
+------+
| info |
+------+
| abc |
+------+
1 row in set (0.00 sec)
MySQL的字符集就聊到这里了,下一篇带来MySQL的存储引擎相关内容~
-END-
相关文章