问题描述
- 当用户发表有某些特殊字符的内容时，存入MYSQL数据库的内容会被截断;
- 数据库、程序文件等都是UTF-8编码
- 确认SQL语句正常
问题发生原因
- MYSQL中UTF-8编码最多只能是3个字节（5.5.3版本后，有 utf8mb4类型可支持4个字节的utf8）；
- utf8是一种1-4个字节的可变字符编码（英文1个字符，汉字3个字符）;
- 某些特殊字符(emoji表情符号等)是4字节的utf8编码;
- MYSQL在遇到超过最大字节范围的字符时，会忽略其后面的字符串，从而导致内容丢失。
解决思路
- 升级MYSQL到5.5.3版本以上，并将字段的编码设置为utf8mb4类型；
- 通过程序，将字符串中4字节的utf8字符替换或者删除即可。
剔除UTF8字符串中4字节的字符方法
function removeByte4($str){
return preg_replace('/[xF0-xF7].../s','', $str);
}
性能
台式机，4.6W字符，0.006s，对程序性能影响基本可以忽略。
扩展研究(其他的一些相关知识)
问题底层原因
该问题是mysql本身的一个bug，可参考"Incorrect string value" error (1366) when inserting special characters“
UTF8 4字节各系统的支持情况
- windows xp: xp系统不支持4字节utf8字符, 浏览器用占位符显示;
- windows 7: 支持4字节utf8字符;
- mac os x: 支持4字节utf8字符;
- iPhone/iPad: 支持4字节utf8字符;
如何支持手机上的表情
此问题可参考mysql utf8mb4与emoji表情。
- 将特殊的4字节字符用相应的图片表情代替;
- 替换的时候，注意不要堵塞用户的处理流程，当文本内容较长时，这是一个很耗性能的处理，建议先忽略4字节字符，然后将内容存到文件或者其他地方，后续使用脚本对这些内容进行替换处理等操作。;
- 新浪微博等有做相应处理;
- 特殊符合以及对应表情可参考[网站](http://www.charbase.com/);
四种不同剔除utf8字符串中4字节字符的性能比对
测试机：普通pc； 测试文本：4.6W字节的中英文、特殊字符等混合；
极快，推荐使用：0.006s
function removeByte4($str){
return preg_replace('/[xF0-xF7].../s','', $str);
}
较慢，参考用：0.2s
function removeByte4_2($str){
return preg_replace('/[x{10000}-x{10FFFF}]/u','', $str);
}
慢，但方便对特殊字符做不同替换：3s
function removeByte4_1($str){//移除utf-8编码中4字节及以上的字符
mb_internal_encoding("UTF-8");
$len = mb_strlen($str);
$res = '';
for($i=0;$i<$len;$i++){
$t = mb_substr($str,$i,1);
$res .= strlen($t)<=3?$t:'';
}
return $res;
}
极慢，不具使用价值，仅参考：10.9s
function remove_4_byte($string) {
$char_array = preg_split('/(?<!^)(?!$)/u', $string );
$len = count($char_array);
for($x=0;$x<$len;$x++) {
if(strlen($char_array[$x])>3) {
$char_array[$x] = "";
}
}
return implode($char_array, "");
}