在MySQL数据库开发过程中，字符集和排序规则是大家经常碰到的配置要点。比如说在定义字段的时候，可能会看到这样的语句：

`username` varchar(30) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL DEFAULT '' COMMENT '用户名' 

不少人看到这就犯嘀咕了：字符集到底是啥？utf8mb4和常见的utf8有啥不一样？要是想在数据库里存Emoji表情或者其他特殊字符，该咋选合适的字符集呢？别着急，下面就带大家深入了解MySQL字符集，详细对比几种常见字符集，帮你在开发时做出正确选择。

一、字符集基础概念解读

字符集的本质

简单来讲，字符集就是一套字符以及它们对应的编码规则。咱们都知道，计算机只“认识”二进制数据，也就是0和1 。但像汉字、英文、各种符号这些人类使用的文字，得通过特定的编码方式转成二进制，计算机才能进行存储和处理。字符集的作用，就是规定这种转换的具体规则。

Unicode及其编码方式

说到字符集，就绕不开Unicode。Unicode是一个非常庞大的字符集，它致力于为世界上所有的字符都分配一个独一无二的编号，这个编号也叫“码点” 。比如说，U+0041代表大写字母A。不过Unicode只是给字符编号，并没有规定这些码点要怎么存储成二进制数据，这就需要具体的编码方式来实现，像UTF-8、UTF-16和UTF-32就是常见的编码方式。

• UTF-8：这是一种变长编码。像英文这类常用字符，用1个字节就能存储；汉字一般占用3个字节；而有些特殊字符，可能得用4个字节才行。它因为比较节省空间，在互联网上应用特别广泛。
• UTF-16：通常情况下，一个字符用2个字节存储，但遇到一些不常见的字符，就需要4个字节了。
• UTF-32：不管什么字符，它都固定用4个字节来存储。这种方式虽然简单，但很占空间。

在MySQL里，UTF-8相关的字符集用得比较多。不过，MySQL在这方面的实现有点“历史遗留问题”，下面就详细说说。

二、MySQL中UTF8和UTF8MB4的差异剖析

MySQL的UTF8：存在局限的实现

在MySQL里，utf8字符集可不是完整的UTF-8编码。它最多只能支持3个字节的字符，对应的是Unicode的基本多文种平面（BMP），码点范围是从U+0000到U+FFFF 。像英文、汉字以及大部分常用符号，它都能处理，但对于一些扩展字符，比如Emoji（Emoji在Unicode的补充平面，通常需要4个字节），它就无能为力了。

UTF8MB4：完整的UTF-8支持

utf8mb4才是MySQL对完整UTF-8的支持方式。名字里的“mb4”是“maximum 4 bytes”的缩写，意思是它能支持最多4个字节的字符编码。这就涵盖了Unicode所有的码点，从U+0000到U+10FFFF ，不管是Emoji、生僻汉字，还是特殊符号，都能存储。给大家举几个例子：

• 英文字符“A”，在utf8和utf8mb4里都只占1个字节。
• 汉字“你”，在这两种字符集里都占3个字节。
• Emoji“😊”，在utf8里存储会报错或者变成乱码，而在utf8mb4里就可以正常存储，并且占用4个字节。

所以，要是你的应用涉及国际化内容，或者需要支持复杂字符，utf8mb4是MySQL中更推荐使用的字符集。

Collation是什么？

在字段定义语句里，除了CHARACTER SET utf8mb4，还会看到COLLATE utf8mb4_0900_ai_ci。Collation指的是排序规则，它决定了字符在比较和排序时的规则。以utf8mb4_0900_ai_ci为例：

• 0900：代表基于Unicode 9.0的排序算法。
• ai：是accent insensitive的缩写，意思是不区分重音，比如é和e在比较时会被视为相等。
• ci：是case insensitive的缩写，表示不区分大小写，像A和a就会被当作一样的。

这个排序规则对查询时的排序和比较操作很重要，但它不会影响数据的存储。

三、常见字符集横向对比

为了让大家更直观地了解utf8mb4，下面对比一下MySQL中几种常见的字符集：

• latin1：这个字符集比较老旧了，只适合纯英文的存储场景，虽然空间利用效率高，但没办法支持中文和Emoji。
• utf8：以前它是默认选择，但现在不太推荐了，主要是它不支持4字节字符。
• utf8mb4：对于现代应用来说，它基本没什么明显缺点，是比较理想的选择。
• ucs2：采用固定2字节编码，不仅浪费空间，还不支持扩展字符，现在已经很少用了。

四、存储Emoji等特殊字符的方法

要是想在数据库里存储Emoji、生僻汉字这类复杂字符，可以参考下面这些建议：

选择utf8mb4字符集

可以在表或者字段级别指定字符集，比如：

CREATE TABLE users ( `username` varchar(30) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL DEFAULT '' ); 

也能在数据库级别设置默认字符集：

CREATE DATABASE mydb CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci; 

检查varchar的长度

varchar(30)表示最多能存储30个字符，而不是30个字节。在utf8mb4字符集中，一个字符可能占用1 – 4个字节，所以实际存储的字节数可能在30 – 120字节之间。MySQL会自动处理这些，但你得确保设置的长度足够存储你的数据。

客户端和连接配置

存储Emoji可不只是数据库单方面的事，客户端和连接也得支持utf8mb4。

• 在MySQL配置文件（my.cnf或my.ini）里进行如下设置：

[client] default-character-set = utf8mb4 [mysqld] character-set-server = utf8mb4 collation-server = utf8mb4_0900_ai_ci 

• 以PHP为例，连接数据库时要确保使用utf8mb4编码：

$pdo = new PDO("mysql:host=localhost;dbname=mydb;charset=utf8mb4", "user", "pass"); 

测试验证

配置好之后，可以插入一个Emoji进行测试：

INSERT INTO users (username) VALUES ('Alice 😊'); SELECT * FROM users; 

要是显示正常，那就说明配置成功了。

五、常见问题解答

utf8mb4会不会占用更多空间？

从理论上来说，会有这种情况，毕竟它支持4字节字符。不过对于英文和汉字，utf8mb4实际占用的字节数和utf8是一样的。只有在存储像Emoji这类4字节字符时，才会多占用一些空间。但现在存储设备的容量都比较大，这点额外的开销通常可以忽略不计。

为什么不直接用utf8？

如果能确定数据里不会出现4字节字符，比如只存英文和中文，用utf8也没问题。但从未来的扩展性和兼容性考虑，还是建议直接使用utf8mb4。

六、总结

MySQL字符集的选择看着复杂，其实关键就两点：

• 要是需要存储Emoji或其他复杂字符，那就选utf8mb4。
• 要是只存简单字符，并且追求历史兼容性，utf8或latin1也可以考虑。

对于当下的应用开发，utf8mb4无疑是最佳选择。它不仅支持完整的Unicode，还能轻松应对Emoji等新需求。只要把数据库、字段和客户端连接都配置正确，就不用担心文本存储的问题了。