Java Unicode编码及 Mysql utf8 utf8mb3 utf8mb4 的区别与utf8mb4的过滤

UTF-8简介

UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或发送文字的应用中，优先采用的编码。

UTF-8使用一至四个字节为每个字符编码（2003年11月UTF-8被RFC 3629重新规范，只能使用原来Unicode定义的区域，U+0000到U+10FFFF，也就是说最多四个字节）：

128个US-ASCII字符只需一个字节编码（Unicode范围由U+0000至U+007F）。
带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要两个字节编码（Unicode范围由U+0080至U+07FF）。
其他基本多文种平面（BMP, Basic Multilingual Plane）中的字符（这包含了大部分常用字，例如CJVK常用字字符集 —— Chinese, Japanese, Vietnam, Korean）使用三个字节编码（Unicode范围由U+0800至U+FFFF）。
其他使用极少的Unicode 辅助平面（Supplementary Multilingual Plane）的字符使用四字节编码（Unicode范围由U+10000至U+10FFFF，主要包括不常用的CJK字符, 数学符号, emoji表情等）。

utf-8编码方式

unicode code point table

参考与扩展：
维基百科 UTF-8 https://en.wikipedia.org/wiki/UTF-8, 中文版 https://zh.wikipedia.org/wiki/UTF-8*
维基百科 Plane_(Unicode) https://en.wikipedia.org/wiki/Plane_%28Unicode%29*
维基百科 CJK characters https://en.wikipedia.org/wiki/CJK_characters*
维基百科 Emoji https://en.wikipedia.org/wiki/Emoji*

UTF-8与Unicode的关系

utf8编码是unicode编码的一种实现，可以简单的理解为unicode编码定义一串数字来一一对应我们用到的字符，utf8定义了如何将unicode定义的这串数字保存到内存中。另外需要强调的是utf8是一种变长的编码规范。
unicode 的范围 U+0000 - U+10FFFF。

参考与扩展
*维基百科 Unicode https://en.wikipedia.org/wiki/Unicode*

Mysql中的 UTF-8、UTF8mb3， UTF8mb4

utf8mb4, MySQL在5.5.3之后增加了这个utf8mb4的编码，mb4就是most bytes 4的意思，专门用来兼容四字节的unicode字符。
mysql中的utf8，就是最大3字节的unicode字符，也就是mysql中的utf8mb3.

参考
mysql-charset-unicode-utf8mb3 https://dev.mysql.com/doc/refman/5.5/en/charset-unicode-utf8mb3.html and https://dev.mysql.com/doc/refman/5.5/en/charset-unicode-utf8.html*
mysql-charset-unicode-utf8mb4 https://dev.mysql.com/doc/refman/5.5/en/charset-unicode-utf8mb4.html*

表示范围：

说明	mysql utf8 / utf8mb3	mysql utf8mb4
max bit	3	4
范围	基本多文种平面 + US-ASCII	辅助平面(Supplementary) + 基本多文种平面 + US-ASCII
unicode范围	U+0000 - U+FFFF	U+0000 - U+10FFFFF
常见字符	英文字母，CJK大部分常用字等	CJK非常用字，数学符号，emoji表情等

那么问题来了，如果用了utf8mb3编码的mysql数据库，在插入一些4字节长的字符时就会报错（形如："java.sql.SQLException: Incorrect string value: '\xF0\x9F\x94\x91\xE6\x9D...' for column 'core_data' at row 1" 的错误），后文会介绍如何在Java中过滤掉这些字符。

要在Java中过滤Mysql的utf8mb4，必须弄清Java是如何支持Unicode编码，接下来徐徐展开......

编码简介

下面先介绍几个概念：character（字符）, character set（字符集）, coded character set（字符编码集）, code point（代码点）, code space（代码空间），character encoding scheme（字符编码方案），code unit（编码单元），和3种Unicode常用的编码方式。

character——字符，'a', '€', '中' 等, 都是一个字符
character set——字符集，字符的集合
coded character set——字符编码集，为每一个字符指定一个唯一的数字用来表示这个字符，这些数字组成的集合就是字符编**码集合，Unicode就是一个字符编码集
code point——代码点，是一个数字，用来表示字符集中的一个字符，也就是字符编码集中的一个数，例如 Unicode 编码中, 'A'的code point就是65（在Unicode中通常写作 U+0041）
code space——代码空间，就是一个编码集中，code point的范围，例如 Unicode 编码的 code space 就是 0x0000 - 0x10FFFF
character encoding scheme——字符编码方案，它定义了将字符用一个或多个固定长度的代码单元的方案，如前文提到的"utf-8编码方式"就是一个字符编码方案，其它的还有UTF16，UTF32，GBK等等
code unit——编码单元，就是编码方案中固定长度的最小编码单元，如UTF8的编码单元是1bit，UTF16是2bit，UTF32是4bit，

Unicode常用的三种编码方式 UTF-8, UTF-16, UTF-32，下面以辅助平面中的字符'