字符集与比较规则（原理 / 修改）

为什么字符集是 MySQL 最常见的坑

你一定见过这种乱码：

INSERT INTO user (name) VALUES ('张三');
SELECT * FROM user;
-- 显示：???

或者：
INSERT INTO user (bio) VALUES ('我是一个程序员 🎉');
SELECT * FROM user;
-- emoji 存不进去，报错

99% 的乱码问题，都是字符集配置不正确导致的。

字符集基础

什么是字符集

字符集定义了「文字如何存储」。同一个汉字，在不同字符集里占用的字节数完全不同：

字符集	汉字「中」占用字节	最大长度	Emoji 支持
latin1	1 字节（存不下，报错）	单字节	❌
gbk	2 字节	双字节	❌
utf8（MySQL 老版阉割版）	3 字节	三字节	❌
utf8mb4	3~4 字节	四字节	✅

MySQL 里的 utf8 是一个历史遗留陷阱——它不是标准 UTF-8（4 字节），而是阉割版（最多 3 字节）。一个 emoji 就存不下。

MySQL 的字符集层次

MySQL 有四个级别的字符集设置：

1. 服务器级别（my.cnf）
2. 数据库级别（CREATE DATABASE）
3. 表级别（CREATE TABLE）
4. 列级别（列定义中）

底层未设置的级别，会继承上层的设置。

查看当前字符集

-- 查看所有字符集相关变量
SHOW VARIABLES LIKE 'character%';
SHOW VARIABLES LIKE 'collation%';

输出示例：

character_set_client     | latin1    ← 客户端发送的 SQL 用什么字符集
character_set_connection| latin1    ← 连接层用什么字符集解析
character_set_database  | latin1    ← 当前数据库的默认字符集
character_set_results    | latin1    ← 返回给客户端的结果用什么字符集
character_set_server     | latin1    ← 服务器默认字符集
character_set_system    | utf8       ← 系统元数据（固定 utf8）

正常应该是 utf8mb4。

比较规则（Collation）

比较规则定义了「字符怎么比较」。

utf8mb4_general_ci  → 大小写不敏感（中 = 中 = ZHONG）
utf8mb4_unicode_ci → Unicode 标准比较，精确
utf8mb4_0900_ai_ci → MySQL 8.0 新增，更好的 Unicode 支持

后缀	含义
_ai	Accent Insensitive（重音不敏感，例如 a = á）
_as	Accent Sensitive（重音敏感）
_ci	Case Insensitive（大小写不敏感）
_cs	Case Sensitive（大小写敏感）
_bin	Binary（二进制比较，严格区分）

-- _ci：不区分大小写
SELECT 'A' = 'a';  -- 1（TRUE）

-- _bin：区分大小写
SELECT 'A' COLLATE utf8mb4_bin = 'a';  -- 0（FALSE）

字符集修改

永久修改（配置文件）

修改 my.cnf 或 my.ini：

[mysqld]
character-set-server=utf8mb4
collation-server=utf8mb4_unicode_ci

[client]
default-character-set=utf8mb4

[mysql]
default-character-set=utf8mb4

会话级修改（临时生效）

-- 设置当前会话的字符集
SET NAMES utf8mb4;
-- 等价于同时设置：
-- SET character_set_client = utf8mb4;
-- SET character_set_results = utf8mb4;
-- SET character_set_connection = utf8mb4;

表和列的字符集

-- 创建数据库时指定
CREATE DATABASE school_db
DEFAULT CHARSET utf8mb4
DEFAULT COLLATE utf8mb4_unicode_ci;

-- 创建表时指定
CREATE TABLE student (
    ...
) ENGINE=InnoDB
DEFAULT CHARSET=utf8mb4
COLLATE=utf8mb4_unicode_ci;

-- 列级别单独指定
CREATE TABLE demo (
    name VARCHAR(50) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci,
    code VARCHAR(20) CHARACTER SET latin1  -- 某些场景需要混合字符集
);

修改已有表的字符集

-- 修改表的字符集（不改变列的数据）
ALTER TABLE student CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

-- 只改表的默认字符集，不改列
ALTER TABLE student DEFAULT CHARACTER SET utf8mb4;

CONVERT TO 会把所有列的数据转换成新字符集。执行前请备份数据。

乱码排查流程

遇到乱码，按这个顺序排查：

1. SHOW VARIABLES LIKE 'character%' → 当前会话字符集是什么？
     ↓ 不对
2. SET NAMES utf8mb4 → 重置连接字符集
     ↓ 解决了
3. 修改 my.cnf 永久配置

乱码的常见原因

场景	根因	解决方案
插入正常，查询乱码	character_set_results 错误	SET NAMES utf8mb4
插入就报错	character_set_client 错误	SET NAMES utf8mb4
旧数据乱码	历史上用了错误字符集写入	无法恢复，只能重写
emoji 存不进去	用了 utf8 而非 utf8mb4	改用 utf8mb4

字符集与索引

字符集直接影响索引效率：

-- utf8mb4 下，每个汉字最多 4 字节
-- 如果一列有很长的中文字段做索引，占用空间会很大

-- 可以用前缀索引减少空间
ALTER TABLE student ADD INDEX idx_name (name(10));
-- 只用前 10 个字符建立索引（10 * 4 = 40 字节）

MySQL 8.0 的改进

MySQL 8.0 在字符集方面做了重要改进：

改进	说明
默认字符集改为 utf8mb4	不再需要手动配置
默认比较规则改为 utf8mb4_0900_ai_ci	更精确的 Unicode 排序
支持 25 种 utf8mb4 排序规则	比 utf8mb4_general_ci 更完善
索引支持 3072 字节限制	utf8mb4 下 varchar(768)

下一步

字符集搞清楚了，接下来看 SQL 大小写/sql_mode 设置——MySQL 的模式和大小写敏感性配置。