如何使用 utf8mb4 在 MySQL 中按表情符号搜索？

Question

请帮助我了解如何在 MySQL utf8mb4 字段中处理表情符号等多字节字符。

请参阅下面的简单测试 SQL 来说明挑战。

/* Clear Previous Test */
DROP TABLE IF EXISTS `emoji_test`;
DROP TABLE IF EXISTS `emoji_test_with_unique_key`;

/* Build Schema */
CREATE TABLE `emoji_test` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `string` varchar(191) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci NOT NULL DEFAULT '',
  `status` tinyint(1) NOT NULL DEFAULT '1',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
CREATE TABLE `emoji_test_with_unique_key` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `string` varchar(191) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci NOT NULL DEFAULT '',
  `status` tinyint(1) NOT NULL DEFAULT '1',
  PRIMARY KEY (`id`),
  UNIQUE KEY `idx_string_status` (`string`,`status`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

/* INSERT data */
# Expected Result is successful insert for each of these.
# However some fail. See comments.
INSERT INTO emoji_test (`string`, `status`) VALUES ('????', 1);                   # SUCCESS
INSERT INTO emoji_test (`string`, `status`) VALUES ('????', 1);                   # SUCCESS
INSERT INTO emoji_test (`string`, `status`) VALUES ('????????', 1);                 # SUCCESS
INSERT INTO emoji_test (`string`, `status`) VALUES ('????????', 1);                 # SUCCESS
INSERT INTO emoji_test_with_unique_key (`string`, `status`) VALUES ('????', 1);   # SUCCESS
INSERT INTO emoji_test_with_unique_key (`string`, `status`) VALUES ('????', 1);   # FAIL: Duplicate entry '?-1' for key 'idx_string_status'
INSERT INTO emoji_test_with_unique_key (`string`, `status`) VALUES ('????????', 1); # SUCCESS
INSERT INTO emoji_test_with_unique_key (`string`, `status`) VALUES ('????????', 1); # FAIL: Duplicate entry '??-1' for key 'idx_string_status'

/* Test data */

    /* Simple Table */
SELECT * FROM emoji_test WHERE `string` IN ('????','????','????????','????????'); # SUCCESS (all 4 are found)
SELECT * FROM emoji_test WHERE `string` IN ('????');                     # FAIL: Returns both ???? and ????
SELECT * FROM emoji_test WHERE `string` IN ('????');                     # FAIL: Returns both ???? and ????
SELECT * FROM emoji_test;                                              # SUCCESS (all 4 are found)

    /* Table with Unique Key */
SELECT * FROM emoji_test_with_unique_key WHERE `string` IN ('????','????','????????','????????'); # FAIL: Only 2 are found (due to insert errors above)
SELECT * FROM emoji_test_with_unique_key WHERE `string` IN ('????');                     # SUCCESS
SELECT * FROM emoji_test_with_unique_key WHERE `string` IN ('????');                     # FAIL: ???? found instead of ????
SELECT * FROM emoji_test_with_unique_key;                                              # FAIL: Only 2 records found (???? and ????????)

我有兴趣了解导致上述FAILs 的原因以及如何解决此问题。

具体来说：

1. 为什么选择一个多字节字符会返回任何个多字节字符的结果？
2. 如何配置索引来处理多字节字符而不是 ?？
3. 您能否建议对上面的第二个CREATE TABLE（具有唯一键的那个）进行更改，以使所有测试查询都成功返回？

Answer 1

不需要去举重。做这样的事情来看看两个字符（或字符串）是否相等。

mysql> SELECT '?' = '?' COLLATE utf8mb4_unicode_ci;
+--------------------------------------+
| '?' = '?' COLLATE utf8mb4_unicode_ci |
+--------------------------------------+
|                                    1 |  1 = true, hence equal
+--------------------------------------+
1 row in set (0.00 sec)

mysql> SELECT '?' = '?' COLLATE utf8mb4_unicode_520_ci;
+------------------------------------------+
| '?' = '?' COLLATE utf8mb4_unicode_520_ci |
+------------------------------------------+
|                                        0 |  unequal
+------------------------------------------+
1 row in set (0.00 sec)

Answer 2

您的列使用utf8mb4_unicode_ci，因此检查不区分大小写。如果你改用utf8mb4_bin，那么表情符号?和?会被正确识别为不同的字母。

使用WEIGHT_STRING，您可以获得用于对输入字符串进行排序和比较的值。

如果你写：

SELECT
  WEIGHT_STRING ('?' COLLATE 'utf8mb4_unicode_ci'),
  WEIGHT_STRING ('?' COLLATE 'utf8mb4_unicode_ci')

然后你可以看到两者都是0xfffd。在Unicode Character Sets 他们说：

对于一般排序规则中的补充字符，权重是 0xfffd REPLACEMENT CHARACTER 的权重。

如果你写：

SELECT 
  WEIGHT_STRING('?' COLLATE 'utf8mb4_bin'),
  WEIGHT_STRING('?' COLLATE 'utf8mb4_bin')

您将获得它们的 unicode 值 0x01f32e 和 0x01f336。

对于其他字母，例如Ä、Á 和A，如果您使用utf8mb4_unicode_ci，则它们的区别如下：

SELECT
  WEIGHT_STRING ('Ä' COLLATE 'utf8mb4_unicode_ci'),
  WEIGHT_STRING ('A' COLLATE 'utf8mb4_unicode_ci')

那些映射到权重0x0E33

Ä: 00C4  ; [.0E33.0020.0008.0041][.0000.0047.0002.0308] # LATIN CAPITAL LETTER A WITH DIAERESIS; QQCM
A: 0041  ; [.0E33.0020.0008.0041] # LATIN CAPITAL LETTER A

根据：Difference between utf8mb4_unicode_ci and utf8mb4_unicode_520_ci collations in MariaDB/MySQL?utf8mb4_unicode_ci 使用的权重基于UCA 4.0.0，因为那里没有出现表情符号，映射的权重是0xfffd

如果您需要对常规字母和表情符号进行不区分大小写的比较和排序，则可以使用utf8mb4_unicode_520_ci 解决此问题：

SELECT
  WEIGHT_STRING('?' COLLATE 'utf8mb4_unicode_520_ci'),
  WEIGHT_STRING('?' COLLATE 'utf8mb4_unicode_520_ci')

0xfbc3f32e 和 0xfbc3f336 的表情符号也会有不同的权重。