java mysql编码格式_Java Unicode编码 及 Mysql utf8 utf8mb3 utf8mb4 的区别与utf8mb4的过滤...

内容简介

本文主要介绍了UTF8的一些基本概念，简要介绍了mysql中 utf8 utf8mb3 utf8mb4 的区别；然后为介绍Java对Unicode编码的支持，引入了一些编码的基本概念，包括code point， code unit等，并介绍了Java提供的常用的支持Unicode编码的方法；最后给出了过滤UTF8mb4的方案

UTF-8简介

UTF-8(8-bit Unicode Transformation Format)是一种针对Unicode的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或发送文字的应用中，优先采用的编码。

UTF-8使用一至四个字节为每个字符编码(2003年11月UTF-8被RFC 3629重新规范，只能使用原来Unicode定义的区域，U+0000到U+10FFFF，也就是说最多四个字节)：

128个US-ASCII字符只需一个字节编码(Unicode范围由U+0000至U+007F)。

带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要两个字节编码(Unicode范围由U+0080至U+07FF)。

其他基本多文种平面(BMP, Basic Multilingual Plane)中的字符(这包含了大部分常用字，例如CJVK常用字字符集 —— Chinese, Japanese, Vietnam, Korean)使用三个字节编码(Unicode范围由U+0800至U+FFFF)。

其他使用极少的Unicode 辅助平面(Supplementary Multilingual Plane)的字符使用四字节编码(Unicode范围由U+10000至U+10FFFF，主要包括不常用的CJK字符, 数学符号, emoji表情等)。

utf-8编码方式

unicode code point table

UTF-8与Unicode的关系

utf8编码是unicode编码的一种实现，可以简单的理解为unicode编码定义一串数字来一一对应我们用到的字符，utf8定义了如何将unicode定义的这串数字保存到内存中。 另外需要强调的是utf8是一种变长的编码规范。

unicode 的范围 U+0000 - U+10FFFF。

Mysql中的 UTF-8、UTF8mb3， UTF8mb4

utf8mb4, MySQL在5.5.3之后增加了这个utf8mb4的编码，mb4就是most bytes 4的意思，专门用来兼容四字节的unicode字符。

mysql中的utf8，就是最大3字节的unicode字符，也就是mysql中的utf8mb3.

表示范围：

说明

mysql utf8 / utf8mb3

mysql utf8mb4

max bit

3

4

范围

基本多文种平面 + US-ASCII

辅助平面(Supplementary) + 基本多文种平面 + US-ASCII

unicode范围

U+0000 - U+FFFF

U+0000 - U+10FFFFF

常见字符

英文字母，CJK大部分常用字等

CJK非常用字，数学符号，emoji表情等

那么问题来了，如果用了utf8mb3编码的mysql数据库，在插入一些4字节长的字符时就会报错(形如："java.sql.SQLException: Incorrect string value: '\xF0\x9F\x94\x91\xE6\x9D...' for column 'core_data' at row 1" 的错误)，后文会介绍如何在Java中过滤掉这些字符。

要在Java中过滤Mysql的utf8mb4，必须弄清Java是如何支持Unicode编码，接下来徐徐展开......

编码简介

下面先介绍几个概念：character(字符), character set(字符集), coded character set(字符编码集), code point(代码点), code space(代码空间)，character encoding scheme(字符编码方案)，code unit(编码单元)，和3种Unicode常用的编码方式。

character——字符，'a', '€', '中' 等, 都是一个字符

character set——字符集，字符的集合

coded character set——字符编码集，为每一个字符指定一个唯一的数字用来表示这个字符，这些数字组成的集合就是字符编**码集合，Unicode就是一个字符编码集

code point——代码点，是一个数字，用来表示字符集中的一个字符，也就是字符编码集中的一个数，例如 Unicode 编码中, 'A'的code point就是65(在Unicode中通常写作 U+0041)

code space——代码空间，就是一个编码集中，code point的范围， 例如 Unicode 编码的 code space 就是 0x0000 - 0x10FFFF

character encoding scheme——字符编码方案，它定义了将字符用一个或多个固定长度的代码单元的方案，如前文提到的"utf-8编码方式"就是一个字符编码方案，其它的还有UTF16，UTF32，GBK等等

code unit——编码单元，就是编码方案中固定长度的最小编码单元，如UTF8的编码单元是1bit，UTF16是2bit，UTF32是4bit，

Unicode常用的三种编码方式 UTF-8, UTF-16, UTF-32， 下面以辅助平面中的字符'