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：

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：

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：

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：

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：

插入数据：

查看一下表格数据，以及占用空间：

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：

 

最后我们来看看校验规则，在tb_utf8mb4中插入一些数据：

查看一下数据,三个记录都出来了：

 

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：

再查看一下数据，这回只有一条记录满足：

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-