最近遇到了一个奇怪的问题，在向 ?mysql 插入一个 utf-8 字符串时，字符串被截断了。打印 执行的 sql 发现，是断在了一个无法显示的字符上。一开始怀疑是非法 utf-8 编码，但通过 hexdump 发现，它是一个合法的 utf-8 字符，编码长度是 4 个字节。然后将其解
最近遇到了一个奇怪的问题，在向 ?mysql 插入一个 utf-8 字符串时，字符串被截断了。打印 执行的 sql 发现，是断在了一个无法显示的字符上。一开始怀疑是非法 utf-8 编码，但通过 hexdump 发现，它是一个合法的 utf-8 字符，编码长度是 4 个字节。然后将其解码为 unicode 编码，google 了一下，原来是一个 emoji 表情（emoji 是一种特殊的 unicode 编码，常见于 ios 和 android 手机上）。
为什么遇到 emoji 表情会被截断呢，在我的理解中，mysql 的 utf8 应该可以接受任何合法的 utf-8 字符串的。经同事提醒，mysql 早期版本只支持最长 3 个字节的 utf-8。查了下文档，果然如此：
utf8, a utf-8 encoding of the unicode character set using one to three bytes per character.
不只是老版本的 mysql，最新版本的 mysql 仍是如此。三个字节的 utf-8 最大能编码的 unicode 字符是 0xffff，也就是 unicode 中的基本多文种平面（bmp）。也就是说，任何不在基本多文本平面的 unicode字符，都无法使用 mysql 的 utf8 字符集存储。包括上述的 emoji 表情，和很多不常用的汉字，以及任何新增的 unicode 字符等等。
此 utf8 非彼 utf-8.
utf-8 是 unicode 的一种传输编码格式（8-bit unicode transformation format）。最初的 utf-8 格式使用一至六个字节，最大能编码 31 位字符。最新的 utf-8 规范只使用一到四个字节，最大能编码21位，正好能够表示所有的 17个 unicode 平面。
utf8 是 mysql 中的一种字符集，只支持最长三个字节的 utf-8字符，也就是 unicode 中的基本多文本平面。
mysql 中的 utf8 为什么只支持持最长三个字节的 utf-8字符呢？我想了一下，可能是因为 mysql 刚开始开发那会，unicode 还没有辅助平面这一说呢。那时候，unicode 委员会还做着 “65535 个字符足够全世界用了”的美梦。mysql 中的字符串长度算的是字符数而非字节数，对于 char 数据类型来说，需要为字符串保留足够的长。当使用 utf8 字符集时，需要保留的长度就是 utf8 最长字符长度乘以字符串长度，所以这里理所当然的限制了 utf8 最大长度为 3，比如 char(100) ?mysql 会保留 300字节长度。至于后续的版本为什么不对 4 字节长度的 utf-8 字符提供支持，我想一个是为了向后兼容性的考虑，还有就是基本多文种平面之外的字符确实很少用到。
要在 mysql 中保存 4 字节长度的 utf-8 字符，需要使用 utf8mb4 字符集，但只有 5.5 版本以后的才支持。我觉得，为了获取更好的兼容性，应该总是使用 utf8mb4 而非 utf8. ?对于 char 类型数据，utf8mb4 会多消耗一些空间，根据 mysql 官方建议，使用 varchar ?替代 char。
原文地址：mysql 中的 utf8, 感谢原作者分享。