如何利用`CHAR_LENGTH()`与`LENGTH()`在`utf8mb4`中进行长度计算？

utf8mb4 字符集下的 CHAR_LENGTH() 与 LENGTH() 函数深度解析

大家好，今天我们来深入探讨 MySQL 中 CHAR_LENGTH() 和 LENGTH() 函数在 utf8mb4 字符集下的应用与区别。理解这两个函数对于正确处理多语言字符，避免潜在的字符串截断和存储问题至关重要。

字符集与编码基础

在深入讨论函数之前，我们先快速回顾一下字符集和编码的基础知识。

• 字符集 (Character Set): 字符集是一个字符的集合，例如 ASCII、Latin1、UTF-8 等。每个字符集都定义了它所包含的字符范围。

• 编码 (Encoding): 编码是将字符集中的字符映射到计算机可以存储和处理的二进制数据的过程。 例如，UTF-8 是一种对 Unicode 字符集进行编码的编码方案。

utf8mb4 是 MySQL 中最常用的字符集之一，它是 UTF-8 的超集，完全支持 Unicode 字符集，包括所有表情符号和其他补充字符，每个字符最多使用 4 个字节存储。而早期的 utf8 实际上只支持到 3 个字节，无法存储一些 Unicode 字符。

LENGTH() 函数：字节长度

LENGTH() 函数返回字符串的字节长度。对于 utf8mb4 字符集，一个英文字母或数字占用 1 个字节，一个汉字通常占用 3 个字节，而一些特殊的 Unicode 字符（例如表情符号）则占用 4 个字节。

语法:

LENGTH(str)

示例:

SELECT LENGTH('hello');       -- 输出: 5
SELECT LENGTH('你好');        -- 输出: 6 (每个汉字 3 字节)
SELECT LENGTH('😊');         -- 输出: 4 (表情符号 4 字节)
SELECT LENGTH('hello你好😊');  -- 输出: 15 (5 + 6 + 4)

代码演示:

假设我们有如下的表 test_table：

CREATE TABLE test_table (
    id INT PRIMARY KEY AUTO_INCREMENT,
    name VARCHAR(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci
);

INSERT INTO test_table (name) VALUES
('hello'),
('你好'),
('😊'),
('hello你好😊');

SELECT id, name, LENGTH(name) AS byte_length FROM test_table;

查询结果如下：

id	name	byte_length
1	hello	5
2	你好	6
3	😊	4
4	hello你好😊	15

注意事项:

• LENGTH() 函数返回的是字节长度，而不是字符个数。
• 如果字符串包含多字节字符，则 LENGTH() 的结果可能与预期不符（如果预期是字符个数）。

CHAR_LENGTH() 函数：字符长度

CHAR_LENGTH() 函数返回字符串的字符长度。无论字符占用多少个字节，CHAR_LENGTH() 都将其视为一个字符。

语法:

CHAR_LENGTH(str)

示例:

SELECT CHAR_LENGTH('hello');       -- 输出: 5
SELECT CHAR_LENGTH('你好');        -- 输出: 2
SELECT CHAR_LENGTH('😊');         -- 输出: 1
SELECT CHAR_LENGTH('hello你好😊');  -- 输出: 8 (5 + 2 + 1)

代码演示:

继续使用上面的 test_table 表：

SELECT id, name, CHAR_LENGTH(name) AS char_length FROM test_table;

查询结果如下：

id	name	char_length
1	hello	5
2	你好	2
3	😊	1
4	hello你好😊	8

注意事项:

• CHAR_LENGTH() 函数返回的是字符个数，更符合人类对字符串长度的直观理解。
• 在处理多语言字符时，建议使用 CHAR_LENGTH() 来获取字符串的实际字符长度。

CHARACTER_LENGTH() 函数

在 MySQL 中，CHARACTER_LENGTH() 函数与 CHAR_LENGTH() 函数的功能完全相同，都是用于返回字符串的字符长度。可以将它们视为同义词。

示例:

SELECT CHARACTER_LENGTH('hello你好😊');  -- 输出: 8

实际应用场景与最佳实践

理解 LENGTH() 和 CHAR_LENGTH() 的区别，有助于我们在实际开发中做出正确的选择。

1. 验证字符串长度：

假设我们需要限制用户名长度在 20 个字符以内，包括中文和表情符号。应该使用 CHAR_LENGTH() 而不是 LENGTH()。

CREATE TABLE users (
    id INT PRIMARY KEY AUTO_INCREMENT,
    username VARCHAR(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci
);

-- 错误示例 (使用 LENGTH)：
INSERT INTO users (username) VALUES ('你好你好你好你好你好你好你好你好你好你好'); -- 长度超过 20 个字符，但可能可以插入，因为字节长度小于 255

-- 正确示例 (使用 CHAR_LENGTH)：
INSERT INTO users (username) VALUES ('你好你好你好你好你好你好你好你好你好你好'); -- 长度超过 20 个字符，插入失败

-- 正确的验证方法：
DELIMITER //
CREATE TRIGGER before_insert_users
BEFORE INSERT ON users
FOR EACH ROW
BEGIN
    IF CHAR_LENGTH(NEW.username) > 20 THEN
        SIGNAL SQLSTATE '45000' SET MESSAGE_TEXT = 'Username length exceeds 20 characters.';
    END IF;
END//
DELIMITER ;

INSERT INTO users (username) VALUES ('hello你好😊'); -- 插入成功 (长度为 8)
INSERT INTO users (username) VALUES ('This is a very long username exceeding 20 characters'); -- 插入失败

2. 截取字符串：

SUBSTRING() 函数可以用于截取字符串。如果需要截取前 N 个字符，应该使用 CHAR_LENGTH() 来计算字符个数，而不是字节长度。

SELECT SUBSTRING('hello你好😊', 1, 5);        -- 输出: hello (截取前 5 个字节，不符合预期)
SELECT SUBSTRING('hello你好😊', 1, CHAR_LENGTH('hello'));  -- 输出: hello (截取前 5 个字符，符合预期)

3. 计算字符串占用的存储空间：

LENGTH() 函数可以用于估算字符串占用的存储空间。因为 utf8mb4 中每个字符最多占用 4 个字节，所以字符串的最大存储空间为 LENGTH(str)。

4. 处理 JSON 数据：

当处理包含 Unicode 字符的 JSON 数据时，需要特别注意字符长度的计算。可以使用 CHAR_LENGTH() 来确保 JSON 数据的正确解析和处理。

5. 全文索引：

在创建全文索引时，需要考虑字符集和字符长度。utf8mb4 字符集可以支持更广泛的字符范围，而 CHAR_LENGTH() 可以用于精确控制索引的字符长度。

表格对比：

函数	返回值类型	返回值	适用场景
LENGTH()	INT	字符串的字节长度。对于 utf8mb4，英文字母/数字占用 1 字节，汉字通常占用 3 字节，某些 Unicode 字符（如表情符号）占用 4 字节。	估算字符串占用的存储空间。
CHAR_LENGTH()	INT	字符串的字符长度。无论字符占用多少个字节，都将其视为一个字符。	验证字符串长度，截取字符串，处理多语言字符，处理 JSON 数据，创建全文索引等。
CHARACTER_LENGTH()	INT	与 CHAR_LENGTH() 功能相同，返回字符串的字符长度。	与 CHAR_LENGTH() 相同。

代码示例：JSON 数据处理

假设我们有一个 JSON 字符串，需要获取其字符长度：

SET @json_string = '{"name": "你好世界😊", "age": 30}';

SELECT CHAR_LENGTH(@json_string); -- 输出: 26
SELECT LENGTH(@json_string);      -- 输出: 37

可以看到，CHAR_LENGTH() 返回的是 JSON 字符串的实际字符长度，而 LENGTH() 返回的是字节长度。 在处理 JSON 数据时，通常更关心字符长度。

代码示例：全文索引

CREATE TABLE articles (
    id INT PRIMARY KEY AUTO_INCREMENT,
    title VARCHAR(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci,
    content TEXT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci,
    FULLTEXT INDEX idx_content (content)
);

INSERT INTO articles (title, content) VALUES
('文章标题', '这是一篇包含中文和表情符号的文章😊，内容很丰富。');

-- 查询包含 "内容" 的文章
SELECT * FROM articles WHERE MATCH(content) AGAINST('内容');

在这个例子中，我们创建了一个全文索引 idx_content，用于搜索文章内容。使用 utf8mb4 字符集可以确保索引能够正确处理中文和表情符号。

注意事项和常见错误

1. 混淆 LENGTH() 和 CHAR_LENGTH()： 这是最常见的错误。一定要清楚这两个函数返回的是字节长度和字符长度，根据实际需求选择合适的函数。
2. 字符集不一致： 确保数据库、表、列和客户端连接都使用相同的字符集（通常是 utf8mb4）。否则，可能会出现字符编码问题。
3. 字符串截断： 当使用 SUBSTRING() 函数截取字符串时，务必使用 CHAR_LENGTH() 来计算字符个数，避免截断多字节字符。
4. 性能问题： 在处理大量数据时，CHAR_LENGTH() 函数可能会比 LENGTH() 函数慢一些，因为它需要对字符串进行字符解码。 在对性能要求极高的场景下，可以考虑使用缓存或其他优化手段。

字符集的选择和设置

正确设置字符集对于保证数据的正确存储和处理至关重要。

1. 数据库级别：

   CREATE DATABASE my_database CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

2. 表级别：

   CREATE TABLE my_table (
       id INT PRIMARY KEY AUTO_INCREMENT,
       name VARCHAR(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci
   );

3. 列级别：

   ALTER TABLE my_table MODIFY COLUMN name VARCHAR(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

4. 客户端连接：

   在连接数据库时，设置客户端字符集为 utf8mb4。 例如，在 PHP 中：

   $conn = new mysqli($servername, $username, $password, $dbname);
   $conn->set_charset("utf8mb4");

编码转换

如果遇到字符编码问题，可以使用 CONVERT() 函数进行编码转换：

SELECT CONVERT('你好' USING utf8mb4);

实际案例分析

假设我们有一个论坛系统，需要存储用户发布的帖子内容。帖子内容可能包含各种语言的文字和表情符号。

1. 数据库设计：

   CREATE TABLE posts (
       id INT PRIMARY KEY AUTO_INCREMENT,
       user_id INT,
       content TEXT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci,
       created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
   );

2. 发布帖子：

   在发布帖子之前，需要对帖子内容进行验证，确保其长度不超过限制。

   $content = $_POST['content'];
   if (mb_strlen($content, 'UTF-8') > 1000) { // 使用 mb_strlen 获取字符长度
       echo "帖子内容过长，请限制在 1000 个字符以内。";
   } else {
       // 将帖子内容保存到数据库
       $stmt = $conn->prepare("INSERT INTO posts (user_id, content) VALUES (?, ?)");
       $stmt->bind_param("is", $user_id, $content);
       $stmt->execute();
   }

3. 显示帖子：

   在显示帖子内容时，需要确保客户端字符集与数据库字符集一致，避免出现乱码。

最后的建议

在开发涉及多语言字符的应用时，务必选择合适的字符集（通常是 utf8mb4），并正确使用 CHAR_LENGTH() 和 LENGTH() 函数。 仔细测试和验证，确保数据的正确存储和处理。

核心要点重申

掌握 LENGTH() 和 CHAR_LENGTH() 的区别至关重要，尤其是在 utf8mb4 字符集下，避免混淆字节长度和字符长度，选用合适的字符集并保持一致，能够有效解决字符串长度计算和存储的问题。