让 MySQL 支持 emoji 存储

在导入 twitter 内容的时候，发现有部分内容会出错。开始以为是编码问题，但文本全部为 utf8 也会出现这个问题，后来定位到 emoji 字符。

其原因是 utf8 是不定长的，根据左侧位来决定占用了几个字节。emoji 表情是 4 个字节，而 MySQL 的 utf8 编码最多支持 3 个字节，所以插入会出错。

为了解决这个问题，MySQL 开始支持 utf8mb4

utf8mb4 可支持 4 个字节 utf 编码，从而支持更大的字符集，并且兼容 utf8。简单来说，utf8mb4 是 utf8 的超集。

要让 MySQL 开启 utf8mb4 支持，需要一些额外的设置。

1. 检查 MySQL Server 版本

• utf8mb4 支持需要 MySQL Server v5.5.3+

2. 设置表的 CHARSET

• 创建表的时候指定 CHARSET 为 utf8mb4

  CREATE TABLE IF NOT EXISTS table_name (
  ...
  ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE utf8mb4_general_ci;

• 或者修改已存在的表 CHARSET 为 utf8mb4

  ALTER TABLE table_name CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

3. 修改 MySQL 配置文件

• 修改 my.conf 的内容

  [client]
  default-character-set = utf8mb4
  
  [mysql]
  default-character-set = utf8mb4
  
  [mysqld]
  character-set-client-handshake = FALSE
  character-set-server = utf8mb4
  collation-server = utf8mb4_unicode_ci

4. 检查是否生效

• 正常情况下的结果应该如下所示：

  mysql> SHOW VARIABLES WHERE Variable_name LIKE 'character\_set\_%' OR   Variable_name LIKE 'collation%';
  +--------------------------+--------------------+
  | Variable_name            | Value              |
  +--------------------------+--------------------+
  | character_set_client     | utf8mb4            |
  | character_set_connection | utf8mb4            |
  | character_set_database   | utf8mb4            |
  | character_set_filesystem | binary             |
  | character_set_results    | utf8mb4            |
  | character_set_server     | utf8mb4            |
  | character_set_system     | utf8               |
  | collation_connection     | utf8mb4_unicode_ci |
  | collation_database       | utf8mb4_unicode_ci |
  | collation_server         | utf8mb4_unicode_ci |
  +--------------------------+--------------------+

5. 指定 MySQL 连接时的 charset

• 以 mysql-python 为例：

  MySQLdb.connect(
          host=config.DB_HOST,
          port=config.DB_PORT,
          user=config.DB_USR,
          passwd=config.DB_PSW,
          db=config.DB_NAME,
          use_unicode=True,
          charset="utf8mb4")