聊一聊MySQL的字符集

2022-01-20 00:00:00 规则 字节 字符 字符集 校对

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(8collate 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