utf8或者utf-8是大家常见的一个词汇，它是一种信息的编码格式，特别是不同开发平台的系统进行对接的时候，编码一定要对齐，否则就容易出现乱码。

什么是编码？

先说说什么是编码。编码就像我们日常生活中的语言，不同的地方说不同的话，编码就是计算机用来表示这些“话”的一种方式。比如我们使用汉字来说话，计算机用二进制数来表示这些汉字的方式，就是编码。

utf8就是这样一种编码格式，正式点要使用：UTF-8，utf8是一个简写形式。

为什么需要utf8？

在计算机早期，主要使用ASCII编码，只能表示128个字符，汉字完全表示不了。后来，才出现了各种各样的编码方式，比如GB2312、GBK、BIG5，但这些编码只能在特定的环境下使用，不能全球通用。

UTF-8就像一个万能翻译官，它的全称是“Unicode Transformation Format - 8 bit”，注意这里不是说UTF-8只能使用8bit来表示一个字符，实际上UTF-8能表示世界上几乎所有的字符。

它的特点是：

• 
  
• 变长编码：一个字符可以用1到4个字节表示，英文字符用1个字节（8bit），汉字用3个字节（24bit）。
  
• 向后兼容ASCII：ASCII的字符在UTF-8中还是一个字节，这样就兼容了老系统。
  
• 节省空间：对于英文字符，UTF-8比其他多字节编码更省空间。
  

UTF-8适用于网页、文件系统、数据库等需要全球化支持的场景。

经常接触代码的同学应该还经常能看到 Unicode 这个词，它和编码也有很大的关系，其实Unicode是一个字符集标准，utf8只是它的一种实现方式。Unicode 作为一种字符集标准，为全球各种语言和符号定义了唯一的数字码位（code points）。其它的Unicode实现方式还有UTF-16和UTF-32：

• 
  
• UTF-16 使用固定的16位（2字节）或者变长的32位（4字节，不在常用字符之列）来编码 Unicode 字符。
  
• UTF-32 每一个字符都直接使用固定长度的32位（4字节）编码，不论字符的实际数值大小。这会消耗更多的存储空间，但是所有字符都可以直接索引访问。
  

图片来源：src: javarevisited.blogspot.com/2015/02/dif…

utf8mb4又是什么？

utf8mb4并不常见，它是UTF-8的一个扩展版本，专门用于MySQL数据库。MySQL在 5.5.3 之后增加了一个utf8mb4的编码，mb4就是最多4个字节的意思（most bytes 4），它主要解决了UTF-8不能表示一些特殊字符的问题，比如Emoji表情，这在论坛或者留言板中也经常用到。大家使用小红书时应该见过各种各样的表情符号，小红书后台也可能使用utf8mb4保存它们。

编码规则和特点：

• 
  
• 最多4个字节：utf8mb4中的每个字符最多用4个字节表示。
  
• 支持更多字符：能表示更多的Unicode字符，包括Emoji和其他特殊符号。
  

utf8和utf8mb4的比较

存储空间

• 
  
• 数据库：utf8mb4每个字符最多用4个字节，比UTF-8多一个字节，存储空间会增加。
  
• 文件：类似的，文件用utf8mb4编码也会占用更多的空间。
  

性能影响

• 
  
• 数据库：utf8mb4的查询和索引可能稍微慢一些，因为占用更多的空间和内存。
  
• 网络传输：utf8mb4编码的字符会占用更多的带宽，传输速度可能会稍慢。
  

不过因为实际场景中使用的utf8mb4的字符也不多，其实对存储空间和性能的影响很小，大家基本没有必要因为多占用了一些空间和流量，而不是用utf8mb4。

只是我们在定义字段长度、规划数据存储空间、网络带宽的时候，要充分考虑4字节带来的影响，预留好足够的空间。

实战选择

在实际开发中，选择编码要根据具体需求来定。如果你的网站或者应用需要支持大量的特殊字符和Emoji，使用utf8mb4是个不错的选择。如果主要是英文和普通中文文本，utf8足够应付。

注意为了避免乱码问题，前端、后端、数据库都应该使用同一种编码，比如utf8，具体到编码时就是要确保数据库连接、网页头部、文件读写都设置为相同的编码。

另外还需要注意Windows和Linux系统中使用UTF-8编码的文件可能是有差别的，Windows中的UTF-8文件可能会携带一个BOM头，方便系统进行识别，但是Linux中不需要这个头，所以如果要跨系统使用这个文件，特别是程序脚本，可能需要在Linux中去掉这个头。

以上就是本文的主要内容，如有问题欢迎留言讨论。

关注萤火架构，加速技术提升！