浅谈uf8mb4字符集

Posted 星光落入你灰蒙蒙的眼

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了浅谈uf8mb4字符集相关的知识,希望对你有一定的参考价值。

要在 Mysql 中保存 4 字节长度的 UTF-8 字符,需要使用 utf8mb4 字符集(mb4就是most bytes 4的意思,专门用来兼容四字节的unicode),但只有 5.5.3 版本以后的才支持。
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。其实,utf8mb4是utf8的超集,理论上原来使用utf8,然后将字符集修改为utf8mb4,也会不会对已有的utf8编码读取产生任何问题。当然,为了节省空间一般情况下使用utf8也就够了!转换是否有影响

MySQL 可以设置数据库级别,表级别,列级别 字符集编码

优先级顺序为:数据库字符集 < 表字符集 < 列字符集
也就是 上面三个级别 字符集不一致时,以 更小范围的配置 为准;

例如:数据库字符集为utf8,表字符集不设置的情况下会默认utf8。如果表主动设置了编码 utf8mb4,那么表的字符集编码就为utf8mb4。

MySQL数据库的"utf8"并不是真正概念里的UTF-8

转载链接
MySQL中的“utf8”编码只支持最大3字节每字符。真正的大家正在使用的UTF-8编码是应该能支持4字节每个字符。
MySQL的开发者没有修复这个bug。他们在2010年增加了一个变通的方法:一个新的字符集“utf8mb4”
当然,他们并没有对外公布(可能因为这个bug有点尴尬)。现在很多指南推荐用户使用“utf8”其实都错了!
简单的说:
MySQL中的 “utf8mb4” 才是 真正意义上的“UTF-8”。
MySQL的utf8是个“特殊的字符编码”。这种编码很多Unicode字符保存不了。

建议MySQL和MariaDB用户使用“utf8mb4”而不是“utf8”。

编码是什么?什么是UTF-8?
计算机使用0和1存储文字。比如第一段第一个字符存储为“01000011”表示“C”,计算机通过以下两个步骤选择用“C”表示:
计算机读取到“01000011”后计算出这是数字67。
计算机通过查找Unicode字符集来确认67代表的“C”。
同样的事情发生在我打字输入C的时候。
计算机通过Unicode字符集将“C” 映射为67。
计算机把67编码为“01000011”发送给web服务器。
几乎所有的程序和互联网应用使用Unicode字符集。
Unicode字符集里有超过100万个字符(“C” 和 “❤” 是两种不同的字符)。UTF-32是最简单的编码方式,它在表示每个字符的时候使用32个bits。这样编码简单,但是并不实用,明显浪费了太多的空间。

UTF-8相比UTF-32更加节约空间。在UTF-8中,像“C”这样的字符占用8bits,“❤”这样的占用32 bits。其他字符占用16或者24 bits。用UTF-8存储比用UTF-32节省4倍左右的空间。更小的空间占用也意味着加载速度会快上4倍。

而MySQL中的 “utf8”字符集则和其他应用行为不一样。比如根本没法表示“❤”。
MySQL从4.1版开始支持UTF-8。那是在比今天UTF-8 RFC 3629标准更早的2003年。

在此之前的UTF-8标准,RFC 2279中规定6个bytes表示一个字符。MySQL的开发者在2002.3.28编码实现了RFC 2279 。并发布了pre-pre-release 的 MySQL 4.1,然后在9月出现了一个神秘的字节调整。“UTF8 now works with up to3 byte sequences only.”

回到2002年,如果用户可以保证表中的每一行具有相同的字节数,MySQL就可以提高用户的速度。为了得到这个提升,用户就需要定义保存文字的列为“CHAR”。一个“CHAR”列总是拥有相同的字符数。如果存入的字符较少则会在最后补齐空白。如果存入的数据过多则会被抛弃多余的字符。

当MySQL的开发者第一次尝试以6字节每字符实现UTF-8时,他们意识到CHAR(1)的列会占用6字节,CHAR(2)会占用12字节,以此类推。
显而易见的是,这个没有被使用的实现方式是正确的,任何一个理解UTF-8的开发者将会认同这一点。

我的猜测是:MySQL的开发者违背了“utf8”编码去帮助那些1)试图去优化空间和速度的人,2)尝试优化空间和速度失败的人。

这是个无人获益的改动。那些想要更快性能,更小空间的得到的依然是比他们曾经使用版本更大更慢的实现,而那些想要正确的“utf8”的人得到的是个“❤”都存储不了的实现。

MySQL发布了这个错误的版本后,在也没有修复它:因为那样很多使用者将被迫重建他们的数据库。MySQL最终在2010年更新了一个以“utf8mb4”命名的UTF-8实现。
如果你使用MySQL或者 MariaDB,不要使用“utf8”,应该总是使用“utf8mb4”,否则总有一天会遇到头疼的事情。

字节和字符

varchar(255)所表示的单位是字符,而一个汉字一个字母都是一字符。所以这里可以存储255个汉字或者255个字母。

utf-81字符=3字节。	(uft-8也称之为utf-8mb3)
utf-8mb4下	1字符=4字节。

存储上限

varchar的存储上限是65535字节

utf-8      varchar(21845)是上限(65535/3)
utf-8mb4   varchar(16383)是上限(65535/4)

表情☺️

一个表情是占用4个字节,所以utf-8下,表情会乱码,1字符装不下,需要额外的空间。
utf-8mb4下,一个表情正好是一字符,能够完美显示。
varchar(255) 即表示能存放255个汉字,或255个字母,或255个表情。

为什么要使用utf8mb4字符集

低版本的MySQL支持的utf8编码,最大字符长度为 3 字节,如果遇到 4 字节的字符就会出现错误了。三个字节的 UTF-8 最大能编码的 Unicode 字符是 0xFFFF,也就是 Unicode 中的基本多文平面(BMP)。也就是说,任何不在基本多文平面的 Unicode字符,都无法使用MySQL原有的 utf8 字符集存储。这些不在BMP中的字符包括哪些呢?最常见的就是Emoji 表情(Emoji 是一种特殊的 Unicode 编码,常见于 iosandroid 手机上)和一些不常用的汉字,以及任何新增的 Unicode 字符等等。
那么utf8mb4比utf8多了什么的呢?
✔ 多了emoji编码支持
如果实际用途上来看,可以给要用到emoji的库或者说表,设置utf8mb4,比如评论要支持emoji可以用到。

新建mysql库的排序规则

utf8_unicode_ci比较准确,utf8_general_ci速度比较快。通常情况下 utf8_general_ci的准确性就够我们用的了。
如果是utf8mb4那么对应的就是 utf8mb4_general_ci utf8mb4_unicode_ci

索引长度限制

1、对于 myisam 引擎, utf8mb4字符的字段, 允许单索引字段的最大字节为1000, 即最大允许 1000/4=250 个字符, varchar(255)。
2、对于 innodb 引擎, utf8mb4字符的字段, 允许单索引字段的最大字节为765, 即最大允许 765/4=191 个字符, varchar(191)。
如果有启用 innodb_large_prefix 选项,设置 mysql innodb_large_prefix=on, 可将允许索引字段的最大字节约束项扩展至 3072 字节, 即最大允许 3072/4=768个字符, varchar(768)。具体可查阅《mysql 索引长度限制》
You must be more handsome when you work hard!

浅谈javascript和java中的字符串

javascript字符串操作

  一、字符串的创建

 创建一个字符串有几种方法。

1、最简单的是用引号将一组字符包含起来  var myStr = "Hello, String!";// 在js中单双引号没有区别

2、可使用如下语句:var myStr1 = new String("Hello, String!");

1
2
console.log(typeof myStr);//"string"
console.log(typeof myStr1);//"object"

   以上输出结果表明:myStr是一个简单类型变量,myStr1是一个对象

  二、字符串"长度“方法

1、字符串的拼接

  concat()或者“+”

2、字符串的截取

  1、string.substring(from, to)   返回截取的字符串

  参数分别是截取的首尾索引位置。注意:参数to的索引可以大于、小于、等于from的位置,也可以省略,不支持负数!

1
2
3
4
5
6
var str = "colin is a desinger";
section = str .substring(0, 4); //  "coli"
section = str .substring(4, 0); //  "coli"
section = str .substring(1, 1);  //  ""
section = str .substring(-2, 4);  // "coli"
str .substring(0, 4);// "coli"<br>console.log(str)  //"colin is a desinger";

   2、string.slice(start, end)  返回截取的字符串

  参数start表示子串的起始位置,如果为负数,那么可以理解为倒数第几个开始,例如-3表示从倒数第三个开始;参数end表示结束位置,与start一 样,   它也可以为负数,其含义也表示到倒数第几个结束。slice()的参数可以为负数,所以要比substring()更加灵活,但没那么宽容了,如果 start比end要大,它将返回一个空字符串

var str = "colin is a desinger";
section = str .slice(0, 4); //  "coli"
section = str .slice(4, -1); //  "n is a desinge"
section = str .slice(1, 1);  //  ""
str .slice(0, 4);// ""
console.log(str);//"colin is a desinger"

   3、substr(start,len)  返回截取的字符串

  参数start为开始的位置,len为子字符串的长度   注:不提倡用该函数(我暂时也不知道原因)

  三、字符串的“位置”函数  

1、str.indexOf(searchvalue,fromindex)    返回字符串中一个子串第一处出现的索引(从左到右搜索)。如果没有匹配项,返回 -1 。

2、str.charAt(index) 返回指定位置的字符

3、str.charCodeAt(index) 返回指定位置的字符的 Unicode 编码。这个返回值是 0 - 65535 之间的整数。

4、str.fromCharCode(numX,numX,...,numX) 可接受一个指定的 Unicode 值,然后返回一个字符串。

  四、字符串的“正则”函数  

 1、威力最强的js字符串函数--> str.replace(regexp/substr,replacement)

  改方法用于在字符串中用一些字符替换另一些字符,或替换一个与正则表达式匹配的子串。

  参数 replacement是字符串:对于正则replace约定了一个特殊标记符$:

    1. $i (i:1-99) : 表示从左到右正则子表达式所匹配的文本。
    2. $&:表示与正则表达式匹配的全文本。
    3. $`(`:切换技能键):表示匹配字符串的左边文本。
    4. $’(‘:单引号):表示匹配字符串的右边文本。
    5. $$:表示$转移。
1
2
3
4
5
6
7
"boy & girl".replace(/(\w+)\s*&\s*(\w+)/g,"$2 & $1"//girl & boy
  
"boy".replace(/\w+/g,"$&-$&"// boy-boy
  
"javascript".replace(/script/,"$& != $`"//javascript != java
  
"javascript".replace(/java/,"$&$‘ is "// javascript is script

  第二个参数为函数:

      在ECMAScript3推荐使用函数方式,实现于JavaScript1.2.当replace方法执行的时候每次都会调用该函数,返回值作为替换的新值。

     函数参数的规定:

  1. 第一个参数为每次匹配的全文本($&)。
  2. 中间参数为子表达式匹配字符串,个数不限.( $i (i:1-99))
  3. 倒数第二个参数为匹配文本字符串的匹配下标位置。
  4. 最后一个参数表示字符串本身。
1
2
3
4
5
6
7
String.prototype.capitalize = function(){
  
    return this.replace( /(^|\s)([a-z])/g , function(m,p1,p2){ return p1+p2.toUpperCase();
  
    } );
  
};

2、str.match(rgExp) 

如果 match 方法没有找到匹配,将返回 null。 如果找到匹配,则 match 方法返回一个数组,并将更新全局 RegExp 对象的属性以反映匹配结果。如果没有设置全局标志 (g),数组元素 0 包含整个匹配,而元素 1 到 n 包含任何一个子匹配。 此行为与未设置全局标志时 exec 方法(正则表达式)(JavaScript) 的行为相同。如果设置了全局标志,则元素 0 到元素 n 包含所有出现的匹配。如果未设置全局标志,则 match 方法返回的数组有两个特性:input 和 index。 input 属性包含整个被搜索的字符串。 index 属性包含了在整个被搜索字符串中匹配的子字符串的位置。如果设置了标志 i,则搜索不区分大小写。

   五、其他常用方法  

1、stringObj.trim() 从字符串中移除前导空格、尾随空格和行终止符。

2、str.toLowerCase() 小写

3、str.toUpperCase() 大写

。。。。。。。

 六、字符串属性  

1、string.constructor  指定创建一个字符串的函数。

1
2
3
4
5
6
7
8
var x = new String();
if (x.constructor == String)
    document.write("Object is a String.");
else
    document.write("Object is not a String.");
 
// Output:
// Object is a String.

2. string.prototype 为字符串的类返回原型的引用。

用 prototype 属性为对象的类提供一组基本功能。 对象的新的实例“继承”了赋予该对象的原型的行为。

例如,若要将方法添加到返回字符串的最后一个元素的值的 String 对象,请声明函数、将它添加到 String.prototype 并使用它。

 

1
2
3
4
5
6
7
8
function string_last( ){
    return this.charAt(this.length - 1);
}
String.prototype.last = string_last;
var myString = new String("every good boy does fine");
document.write(myString.last());
 
// Ou

 七、JavaScript 字符串是不可变的 --》无法修改字符串的长度。

首先请看以下代码:

1
2
3
var a="java"
a=a+"script"
console.log(a);//"javascript"

 

  变量a对应的字符串内容从”java“ 变为”javascript“,不是证明js字符串是可变的吗?(我开始学js的时候也这么认为)

  切记:你要理解内存中那块区域不能改变。即第一样的变量a所指的内存地址,不是二行变量a所指的内存地址

最后请看下面代码:

1
2
3
4
5
6
7
8
var lang = ‘Java‘;
lang[lang.length-1] = ‘S‘;
lang[lang.length-1] = ‘c‘;
console.log(lang);//"java"
 
var arr = [‘J‘‘a‘‘v‘‘a‘];
arr[arr.length-1] = ‘S‘;
console.log(arr);// [‘J‘, ‘a‘, ‘v‘, ‘S‘];

  八、巧用数组实现js数组高效拼接 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
var start = new Date();
var str = "";
 for (var i = 0; i < 1000000; i++) {
     str += "test";
}
var end = new Date();
document.writeln("+拼接字符串,耗时:" + (end.getMilliseconds() - start.getMilliseconds()));
document.writeln("<br/>");
var begin = new Date();
var arry = new Array();
for (var i = 0; i < 1000000; i++) {
     arry.push("test");
}
arry.join("");
var stop = new Date();
document.writeln("数组方式拼接字符串,耗时:" + (stop.getMilliseconds() - begin.getMilliseconds()));

  九、回归字符串创建 

先看以下代码:

1
2
3
4
var str="colin";
var str1=new String("colin");
str.substring(0,2); //str基本类型数据 ,为什么可以调用substring方法?
str1.substring(0,2); //str1对象

这里为什么str变量有substring方法,我暂时也不是很明白。我姑且认为在执行“str.substring()"代码的一瞬间,str变成了一个对象???!!

 

java字符串操作

  一、字符串的创建  

1、直接赋值  String str=”hello“;//这里必须要双引号

2、使用new关键字   String str=new String("hello")

两种创建方式的异同:

  技术分享

结论:采用第二种方式创建字符串时:系统会在堆内存中创建两个”hello“,但是其中一个”hello“没有的对应的栈内存指引,消耗多余内存,垃圾空间等待被回收。

   所以推荐使用第一种方式创建字符串

 二、字符串的常用方法   

java的很多字符串方法的名字和用法都和js字符串方法类似。

1、public char charAt(int index)  返回指定索引处的 char 值

2、public String concat(String str) 将指定字符串连接到此字符串的结尾。

3、public int indexOf(String str,int fromIndex) 返回指定子字符串在此字符串中第一次出现处的索引,

。。。。

我觉得应该注意的几个好玩方法:

1、public int length()  返回此字符串的长度     这里和js有着细微的区别

2、public boolean startsWith(String prefix, int toffset)  测试此字符串从指定索引开始的子字符串是否以指定前缀开始。

3、public boolean endsWith(String  suffix)  测试此字符串是否以指定的后缀结束。

4、public char[] toCharArray()  将此字符串转换为一个新的字符数组。

5、public void getChars(int srcBegin, int srcEnd,char[] dst,int dstBegin) 将字符从此字符串复制到目标字符数组。

   三、字符串打的不可变性 

技术分享

看图就可以,不多解释

  四、”另类字符串“  

1、StringBuffer sb=new StringBuffer("df");//长度可变,

   常用方法:

     append()

   insert()

     replace()

     indexOf()

2、StringBuilder sb =new StringBuilder("dsf")

     特别适用在单个线程  速度比StringBuffer快

     考虑线程安全时,用Stringbuffer比较好

以上是关于浅谈uf8mb4字符集的主要内容,如果未能解决你的问题,请参考以下文章

使用 NSPredicate 过滤以数字或符号开头的字符串到 NSArray

在 mySQL 中的整个表中搜索字符串

预告 | 浅谈MySQL事务之MVCCUndoRedo By董红禹

MySQL进阶浅谈InnoDB中的BufferPool

浅谈MYSQL之日志文件系统

mysql分享一:运维角度浅谈MySQL数据库优化