MySQL 数据库字符集 utf8 和 utf8mb4 的区别

article/2025/8/31 2:37:16

MySQL 的 utf8 实际上不是真正的 UTF-8。utf8 只支持每个字符最多三个字节，而真正的 UTF-8 是每个字符最多四个字节。

MySQL 一直没有修复这个 bug，他们在 2010 年发布了一个叫作 utf8mb4 的字符集，
绕过了这个问题。当然，他们并没有对新的字符集广而告之（可能是因为这个 bug 让
他们觉得很尴尬），以致于现在网络上仍然在建议开发者使用 utf8，但这些建议都是错误的。

在这里插入图片描述

简单概括如下：

（1）MySQL 的 utf8mb4 是真正的 UTF-8。

（2）MySQL 的 utf8 是一种专属的编码，它能够编码的 Unicode 字符并不多。

所有在使用 utf8 的 MySQL 和 MariaDB 用户都应该改用 utf8mb4，永远都不要再使用 utf8。


http://chatgpt.dhexx.cn/article/FUS5FpFk.shtml

相关文章

utf8和utf8mb4的区别

utf8和utf8mb4的区别

1. 基础知识 1.1 bit ， byte ， word 字 word 字节 byte (B) 位 bit (b) 1.2 单位换算 1字节 8位(1 byte 8bit) 1字 2字节(1 word 2 byte) 一个汉字 2字节 中文标点 三个字节 一个英文字母 一个字节 英文标点 一个字节 Em…
阅读更多...
简单明了！utf8和utf8mb4的区别

简单明了！utf8和utf8mb4的区别

一、简介 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。utf8mb4是utf8 的超集，除了将编码改为utf8mb4外不需要做其他转换。当然，为了节省空间，一般情况下使用u…
阅读更多...
浅谈uf8mb4字符集

浅谈uf8mb4字符集

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 utf…
阅读更多...
学习笔记4-K均值聚类算法

学习笔记4-K均值聚类算法

K-均值聚类的一般流程 （1）收集数据：可以使用任何方法收集数据 （2）准备数据：需要数值型数据来计算距离，也可以将标称型数据映射为二值型数据再用于距离计算 （3）分析数据…
阅读更多...
【吴恩达机器学习-笔记整理】k-means（k-均值聚类算法）

【吴恩达机器学习-笔记整理】k-means（k-均值聚类算法）

目录： 🌵🌵🌵前言一、应用二、k-means1、参数：2、过程3、应用4、优化目标5、随机初始化6、聚类数量的选择 ❤️❤️❤️忙碌的敲代码也不要忘了浪漫鸭！ 🌵🌵🌵前言 ✨你好…
阅读更多...
25.K-均值算法的介绍及实现过程

25.K-均值算法的介绍及实现过程

主要内容 K-均值算法的介绍K-均值算法的实现过程K-均值算法的具体例子实现过程 一、K-均值算法的介绍 K-均值（K- means） ** 是最普及的聚类算法**，算法接受一个未标记的数据集，然后将数据聚类成不同的组 聚类算法 是无监督学习…
阅读更多...
K-means（K均值聚类算法）算法笔记

K-means（K均值聚类算法）算法笔记

K-means（K均值聚类算法）算法笔记 K-means 算法，是比较简单的无监督的算法，通过设定好初始的类别k，然后不断循环迭代，将给定的数据自动分为K个类别。事实上，大家都知道K-means是怎么算的&#x…
阅读更多...
K-近邻算法讲解以及实战

K-近邻算法讲解以及实战

1.概述 邻近算法，或者说K最近邻(KNN，K-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。Cover和Hart在1968年提出了最初的…
阅读更多...
第十五课.K均值算法

第十五课.K均值算法

目录 K均值算法原理K均值算法的改进：K-meansnumpy实现K-means K均值算法原理 K均值（K-means）算法属于无监督学习中的聚类算法；聚类是根据样本特征向量之间的相似度或距离，将样本数据划分为若干个样本子集，…
阅读更多...
K均值与K近邻算法简析

K均值与K近邻算法简析

回顾了一下机器学习的简单算法。 原文链接：https://blog.csdn.net/zll0927/article/details/17000675 K-Means介绍 K-means算法是聚类分析中使用最广泛的算法之一。它把n个对象根据他们的属性分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度…
阅读更多...
聚类算法、无监督学习、K均值算法及其优化函数

聚类算法、无监督学习、K均值算法及其优化函数

聚类算法 无监督学习：将无标签样本分为不同的两类或者多类，称为聚类算法 K均值算法 K均值算法是一个迭代算法，共两个步骤 1.簇分配：遍历图中每个样本，根据每个样本点离那个聚类中心近，从而将该样本点分配…
阅读更多...
K-means算法-综合整理

K-means算法-综合整理

A 主要流程 a 随机初始化k个点作为簇质心 b 计算每个点与质心距离（常用欧式距离和余弦距离），并将其分配给最近 的质心对应的簇中 c 重新计算每个簇的质心，更新为所有点的平均值 d 反复迭代b-c步骤，直到达到某个终止条…
阅读更多...
K均值聚类算法(Kmeans)讲解及源码实现

K均值聚类算法(Kmeans)讲解及源码实现

K均值聚类算法(Kmeans)讲解及源码实现 算法核心 K均值聚类的核心目标是将给定的数据集划分成K个簇，并给出每个数据对应的簇中心点。算法的具体步骤描述如下。 数据预处理，如归一化、离群点处理等。随机选取K个簇中心，记为 μ 1 ( 0 ) , μ 2…
阅读更多...
K-means算法详解及实现

K-means算法详解及实现

文章目录 一、原理和流程1、原理2、流程 二、K-means中常用的到中心距离的度量有哪些三、K-means中的k值如何选取1、手肘法2、轮廓系数法3、总结 四、代码实现五、其他问题的解答References 主要的KMeans算法的原理和应用，在学习典过程中，我们要带着以下…
阅读更多...
K-近邻算法全面解析

K-近邻算法全面解析

1 K-近邻算法简介 K-近邻(K-Nearest Neighbor，KNN)，采用的是测量不同特征值之间距离的方法进行分类。对当前待分类样本的分类，需要大量已知分类的样本的支持，因此KNN是一种有监督学习算法。 2 K-近邻算法的三要素 距离度量、K…
阅读更多...
k-means clustering algorithm，K均值算法

k-means clustering algorithm，K均值算法

k-means clustering algorithm K均值聚类算法：需要分成K类，K是需要自己指定的 举例： 指定K，需要分成K类。 此例中：K为2选取K个点作为聚类中心 ，一般的，K为已有的点。 此例子：中为…
阅读更多...
K-means算法手动实现

K-means算法手动实现

1. K-means算法 k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距…
阅读更多...
k-means聚类算法原理与参数调优详解

k-means聚类算法原理与参数调优详解

https://www.toutiao.com/a6690435044869145101/ k-means算法原理 K-means中心思想：事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，…
阅读更多...
kmeans算法及其改进算法K-means++,ISODATA和Kernel K-means

kmeans算法及其改进算法K-means++,ISODATA和Kernel K-means

首先需要明确的是上述四种算法都属于"硬聚类”算法，即数据集中每一个样本都是被100%确定得分到某一个类别中。与之相对的"软聚类”可以理解为每个样本是以一定的概率被分到某一个类别中。 先简要阐述下上述四种算法之间的关系，已经了解过经典…
阅读更多...
【算法】一个简单的k均值（k-means）原理

【算法】一个简单的k均值（k-means）原理

基本思想 通过迭代寻找k个聚类的一种划分方案，使用这k个聚类的均值来代表相应各类样本时所得到的总体误差最小。 一旦给定了类别数目k，k均值就按照平方误差和最小的原则将所有样本划分到指定数目的类中。 k均值（k-means）有时也…
阅读更多...
推荐文章

Copyright @ 2022~2023