MySQL中 utf8 和 utf8mb4 的区别，以及 general_ci 、unicode_ci和unicode_520_ci的区别

1. 首先了解什么是Unicode：

Unicode是一种信息技术（IT）标准，用于对世界上大多数书写系统中表示的文本进行一致的编码，表示和处理。

大致意思就是Unicode对英文字符、符号、汉字、表情符号制定的统一数字码表，例如：

大写字母 M ：二进制是 1001101，十进制是 77，十六进制是 4d
汉字 前：二进制是101001001001101，十进制是21069，十六进制是524d

但是计算机不能直接拿这个数字码表来进行字符存储，因为里面没有表示截断的部分，计算机不知道该什么时候一个字符表示完了。

计算机是字节存储（就是八位二进制）

M 如果直接存储就是：                  01001101
前 如果直接存储就是：01010010 01001101

可以看到 M 和 前 最后的码表是一样的，计算机无法判断：是 M 或者是 前 的后半段。

2. UTF-8 就是对 Unicode 中的所有字符进行编码的一种格式。它的编码规范是：

一、对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
二、对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的有效 Unicode 码。

对应出来的规范表格（x是Unicode有效码）：

那么按照上面的表格，前 十六进制：524d，属于0800-FFFF，表示为3个字节。UTF-8应该是（从后往前转换、高位不足补零）：

11100101 10001001 10001101

3. 基础知识有了，那么MySQL中的 utf8 和 utf8mb4 有什么区别

其实 MySQL中的utf8 是 utf8mb3，只能表示1-3个字节，因为当时的字符还没有这么多，MySQL的开发者认为3个字节足够表示所有Unicode字符做的反向优化。

如今emoji表情和其他字符的加入，使得 utf8mb3 不够表示，所有添加了utf8mb4，遵守 UTF-8 编码格式，可以表示4个字节的字符。

由于 MySQL中的 utf8 名称已经被 utf8mb3 占用，所以只能将真正的遵守UTF-8编码格式字符集起名为 utf8mb4。

现在MySQL8.0已经默认使用utf8mb4，官网也声明：

utf8mb3 已经弃用，会在将来的版本进行删除。现如今的 utf8 含义混淆，请显式指定为 utf8mb4

4. general_ci 、 unicode_ci 和 unicode_520_ci 的区别：

这几种都是MySQL中 字符集编码的排序算法。

unicode_ci是遵守的Unicode组织的4.0.0归类算法排序（有一部分没有实现：一些越南语等小语种排序） Unicode UCA 权重排名4.0.0版本
unicode_520_ci 则是基于 5.2.0 新版本实现。还有 utf8mb4_0900_ai_ci 是基于更高的 9.0.0版本实现。

general_ci 则是在 unicode_ci 排序上做了一定优化，排序效率提高了一点（？十分之一左右）。只支持单字符对比排序。

例如：

在德语中 ß 书写为 ss。
unicode_ci 只有 ß = ss，单个 s 和 ß 是不同的。
general_ci 做了优化，只支持单字符比较，但是又需要 对 ß 进行排序，所以结果是：ß = s

在StackOverflow中推荐是使用 unicode_ci，因为general_ci的效率提升有限。
而且推荐使用最新的 utf8mb4_0900_ai_ci ，因为Unicode组织也不是吃白饭的。

我认为的话，在国内环境下还是使用 general_ci，对于项目经理来说，他一定会放大 unicode_ci 10%性能的严重性，而且字符排序的准确度也没有那么重要。

参考资料：
1.MySQL官网：MySQL 8.0参考手册：Unicode字符集
2.Wiki：德语中的ß
3.StackOverflow：general_ci 和 unicode_ci
4.Wiki：Unicode
5.Wiki：UTF-8