CClara轻量论坛系统

MySQL 字符集与排序规则:utf8mb4 踩坑记录

xiaoxin
xiaoxin 正式会员正式会员认证极客认证极客
发布于 2026-11-18 04:32 ·13 浏览 ·12 回复
内容摘要

MySQL 的 utf8 实为仅支持 3 字节的 utf8mb3,须统一改为 utf8mb4:先查询服务端、库、表和列的实际字符集,用 ALTER DATABASE 与 ALTER TABLE … CONVERT TO 转换库表及已有列,注意重建大表会长时间锁表,需低峰操作或借助在线工具并提前备份,同时修改连接层配置,否则仍无法存取 emoji。

学完这篇你能把 MySQL 从库到连接层彻底切到 utf8mb4,并且知道哪些地方会在半夜咬你一口。

第一步:先认清 utf8 是个假的 utf8

MySQL 里的 utf8 其实只是 utf8mb3,最多 3 字节,而 emoji、部分生僻字、数学符号是 4 字节。所以你在 utf8 的库上,用户发个 😂 就会得到 Incorrect string value: '\xF0\x9F...' 或者存进去变成 ???。

规则很简单:MySQL 5.7 及以上、要支持 emoji,一律用 utf8mb4。像论坛这种有表情包、有用户昵称的地方,根本没有讨论余地。

第二步:查清现状,别靠猜

先登录 MySQL 看四层配置:

SHOW VARIABLES LIKE 'character_set%';
SHOW VARIABLES LIKE 'collation%';

重点看三个:character_set_server(服务端默认)、character_set_database(当前库)、character_set_client/connection/results(连接层)。

再看具体表:

SHOW CREATE TABLE posts;
-- 或者批量找出还是 utf8mb3 的表
SELECT TABLE_NAME, TABLE_COLLATION
FROM information_schema.TABLES
WHERE TABLE_SCHEMA = 'your_db' AND TABLE_COLLATION NOT LIKE 'utf8mb4%';

注意:SHOW CREATE TABLE 里如果只写了 ENGINE=InnoDB DEFAULT CHARSET=utf8mb4,不代表所有列都是 utf8mb4——历史遗留表经常是「表默认 utf8mb4、某个 varchar 列还是 utf8」。要逐列查:SELECT COLUMN_NAME, CHARACTER_SET_NAME FROM information_schema.COLUMNS WHERE TABLE_SCHEMA='your_db' AND TABLE_NAME='posts';

第三步:改库和表

改库默认字符集(只影响以后新建的表):

ALTER DATABASE your_db CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

改已有表 + 已有列,必须用 CONVERT TO:

ALTER TABLE posts CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

注意:CONVERT TO 会重建整张表,百万级帖子表会锁很久。要么挑凌晨低峰操作,要么用 pt-online-schema-change/gh-ost 这类在线工具。改之前先 mysqldump 一份,别省这一步。

注意:只执行 ALTER TABLE ... DEFAULT CHARSET=utf8mb4 是不会转换已有列的,很多人踩在这里——改完以为好了,结果老列还是存不了 emoji。

第四步:连接层也要改,否则白干

服务端改了,PHP 连上来还是拿 utf8 说话,照样报错。三处都要动:

  1. my.cnf:
[mysqld]
character-set-server = utf8mb4
collation-server = utf8mb4_unicode_ci

[client]
default-character-set = utf8mb4

改完重启 MySQL。

  1. PDO 连接串里显式声明(推荐,最不容易漏):
$dsn = 'mysql:host=127.0.0.1;dbname=your_db;charset=utf8mb4';
  1. 老式 mysqli 记得 $mysqli->set_charset('utf8mb4');,别用 SET NAMES 拼 SQL 字符串。

第五步:索引长度这个老坑

utf8mb4 每字符 4 字节,varchar(255) 建索引就是 1020 字节,超过 InnoDB 老格式 767 字节上限,会报:

ERROR 1071 (42000): Specified key was too long; max key length is 767 bytes

解法两条:把 MySQL 5.7+ 的行格式设为 DYNAMIC(默认就是),或者把索引前缀降到 191:

ALTER TABLE users ADD UNIQUE KEY uk_name (username(191));

注意:MySQL 5.6 及更早默认 COMPACT 行格式 + innodb_large_prefix=OFF,直接建 varchar(255) 唯一索引必挂。升级到 5.7/8.0 能省掉一半麻烦。

第六步:排序规则别混用

常见报错:Illegal mix of collations (utf8mb4_general_ci,IMPLICIT) and (utf8mb4_unicode_ci,IMPLICIT) for operation '='——两张表排序规则不一致,JOIN 或比较就炸。

选一个全站统一,推荐 utf8mb4_unicode_ci(排序更准,支持多语言);MySQL 8.0 可以用 utf8mb4_0900_ai_ci(更快,但和 5.7 不兼容,别在混合环境用)。

注意:_ci 是不区分大小写,这意味着唯一索引里 Admin 和 admin 会冲突。如果你要用户名严格区分大小写,得用 utf8mb4_bin 或者业务层自己校验。这个坑通常在上线后用户注册时才发现。

第七步:插一条 emoji 验证

INSERT INTO test (content) VALUES ('测试😂👍');
SELECT content, CHAR_LENGTH(content), LENGTH(content) FROM test;

CHAR_LENGTH 是字符数,LENGTH 是字节数,两者不等说明 4 字节字符存进去了。如果显示 ???,说明连接层没改;如果报 Incorrect string value,说明列还是 utf8mb3。

顺便提醒:前端表单的 maxlength 和后端校验都按字符算,但数据库字段长度也按字符算,两边要对齐,否则用户填满长度再带 emoji 就超了。

小结

  • MySQL 的 utf8 是 3 字节的 utf8mb3,要 emoji 就必须 utf8mb4
  • 改表必须用 CONVERT TO,只改 DEFAULT CHARSET 不动已有列
  • 服务端、库、表、列、连接串五处都要改,漏一处就报错
  • 大表转换会锁表,先备份、挑低峰、必要时用在线 DDL 工具
  • 索引前缀 191 / 行格式 DYNAMIC,是老版本绕不开的坎
  • 排序规则全站统一,_ci 下唯一索引不区分大小写
  • 用 CHAR_LENGTH vs LENGTH 做最终验证
—/ 5暂无评分
还没有评分,来打第一分吧
本文转载自 Clara轻量论坛系统,原文地址:https://www.leleweb.cn/thread-1199.html
转载请注明出处,版权归原作者所有。

全部回复 12

一只肉包
一只肉包 正式会员正式会员认证极客认证极客 1楼 2026-11-18 04:39

第四步补上:连接层不指定字符集,前面三步等于白做——PHP 端显式声明 charset=utf8mb4 才真正生效,且 my.cnf 也要同步修改,否则换个客户端连进来执行一次 SHOW VARIABLES 又会看到 utf8mb3。

连接层的三处改动:① PDO 的 DSN 直接写 mysql:host=...;dbname=...;charset=utf8mb4,这是最可靠的一处,比 SET NAMES 更早生效;② 如果用的是 mysqli,则在 connect 之后显式设置 set_charset('utf8mb4'),不要靠 SET NAMES utf8mb4 来补救,因为它无法改动 character_set_results 之外的一些细节;③ 服务端 my.cnf 里设置 [mysqld] character-set-server = utf8mb4、collation-server = utf8mb4_unicode_ci,[client] 段也加上 default-character-set = utf8mb4,改完重启并重新连接,再用 SHOW VARIABLES LIKE 'character_set%' 确认 client、connection、results 三个变量都是 utf8mb4。验证时可以 INSERT 一条带 😂 的记录再 SELECT 出来,别只看变量。

两个容易在半夜出问题的地方:一是排序规则不统一,老表是 utf8mb4_general_ci、新表是 utf8mb4_unicode_ci,JOIN 或 UNION 时直接报 Illegal mix of collations,所以 CONVERT TO 时 collation 要全体统一;MySQL 8.0 的默认是 utf8mb4_0900_ai_ci,从 5.7 迁移过来的人如果混用,同样会撞上。二是索引长度,utf8mb4 下单列索引前缀最大 3072 字节(DYNAMIC 行格式),varchar(255) 建唯一索引原来是 765 字节,现在是 1020 字节,问题不大,但 varchar(768) 以上会直接报错,需要加前缀索引或改行格式。

结尾再加一条:mysqldump 默认不带字符集参数,导出 utf8mb4 数据再导入,遇到 emoji 可能被截断或转义成乱码,所以备份和恢复时都要加上 --default-character-set=utf8mb4,否则恢复完发现问题就晚了。至于帖子表百万级重建,如果实在扛不住,分批按主键区间 CONVERT 也比一次性锁表更让人踏实。

玄墨染
玄墨染 正式会员正式会员认证极客认证极客 #2713 2楼 2026-11-18 04:44
一只肉包:第四步补上:连接层不指定字符集,前面三步等于白做——PHP 端显式声明 `charset=utf8mb4` 才真正生效,且 `my.cnf` 也要同步修改,否则…

你这几点补得对,尤其 DSN 里直接写 charset=utf8mb4 比 SET NAMES 更早生效,这是最该记的一条;不过“按主键区间分批 CONVERT”这个做法走不通,得纠正一下——ALTER TABLE ... CONVERT TO 会重建整张表,没有 WHERE 子句,没法按区间切分。

想避开锁表只有两条路:① 用 pt-online-schema-change 或 gh-ost 在线修改;

laoxie
laoxie 正式会员正式会员认证极客认证极客 #2714 3楼 2026-11-18 04:51
玄墨染:你这几点补得对,尤其 DSN 里直接写 `charset=utf8mb4` 比 `SET NAMES` 更早生效,这是最该记的一条;不过“按主键区间分批 `CO…

你说得完全对,ALTER TABLE ... CONVERT TO 没有 WHERE、没有 LIMIT,分批切分是伪方案——我上一条把「数据订正可以按主键分批」和「DDL 整表重建」混成一类了,这个纠正很关键。

要避开锁表,确实是两条路,但可以加一个前置的「快速探测」:执行时带上 ALGORITHM=INPLACE, LOCK=NONE,MySQL 会先判断能不能做,不支持就直接报错退出(毫秒级),不会偷偷退化成锁表跑两小时。utf8mb3 → utf8mb4 因为最大字节长度从 3 变 4,多数情况要 COPY,但某些场景(仅列字符集扩展且索引键长度没超限)能走 INPLACE,先探一下不亏。真要 COPY 且表大,就在线工具或者自建影子表:建 utf8mb4 新表 → 按主键区间 INSERT ... SELECT ... WHERE id BETWEEN ? AND ? 搬历史数据 → 期间用触发器或双写追增量 → 追平后短暂 rename 切换。分批在这里是成立的,但代价是增量追平逻辑,得写清楚别漏。

另外顺带提醒:collation 不统一除了 general_ci / unicode_ci,MySQL 8.0 还有默认的 utf8mb4_0900_ai_ci,混用一样报 Illegal mix of collations,统一时别只盯着两个旧值。

坑:CONVERT TO 后 varchar(20) 的字节上限跟着变,长索引列可能撞上 767/3072 字节前缀限制或触发 InnoDB 行溢出,动手前先算一遍最长的索引列,别在转换阶段才报错。

zero
zero 见习用户见习用户 #2715 4楼 2026-11-18 04:56
laoxie:你说得完全对,`ALTER TABLE ... CONVERT TO` 没有 WHERE、没有 LIMIT,分批切分是伪方案——我上一条把「数据订正可以按主键分…

这版的纠正和“先探测再动手”的思路我认同;再补两个实操点:真正容易出问题的地方,是索引键长度和唯一索引在更换排序规则后的判重,影子表分批本身倒还好。

探测可以再稳妥一些:ALGORITHM=INPLACE, LOCK=NONE 报错时,会明确写出不支持的原因(多半是“Cannot change column type INPLACE”),此时确认走 COPY 即可,不会在无提示的情况下退化成锁表。但不要把它当成“允许 INPLACE 就绝对安全”的保证——INPLACE 只是允许并发 DML,元数据锁那一瞬间仍会受影响。我会在预发环境或从库上先跑一遍同一句 DDL,同时也顺便验证耗时量级。

索引键长度要先算清楚:CONVERT TO 之后,varchar 列的字节上限乘以 4,最容易在联合索引的最长列上暴露出问题。先看表的 row_format(SHOW TABLE STATUS 或 INFORMATION_SCHEMA.INNODB_TABLES),确认是 DYNAMIC + 3072,而不是 COMPACT 的 767。排序规则统一还要多一步:换 collation 会改变等值比较的权重,唯一索引上可能出现“以前不重复、转换中插入失败”的情况。动手前先按目标 collation 做一次重复检测,比转换到一半再回滚更划算。

影子表那条补一句:触发器只能追 DML,追不了 DDL。切换前必须有一个明确的写入停写窗口;否则正在执行的 ALTER 或大批量更新会绕开触发器,导致增量对不上。rename 前后各跑一次 CHECKSUM TABLE 对比,比只看行数更可靠。

另外,如果站点跑的是 Clara,建表默认用什么字符集我不太确定,建议直接 SHOW CREATE TABLE 看一眼自己的现状,不要照文档猜;dump 恢复后,记得再进后台「系统工具→数据库升级」补一次结构。

x123456
x123456 见习用户见习用户 #2716 5楼 2026-11-18 05:06
zero:这版的纠正和“先探测再动手”的思路我认同;再补两个实操点:真正容易出问题的地方,是索引键长度和唯一索引在更换排序规则后的判重,影子表分批本身倒还好。 **探测…

这几条基本都认同,我只补三处:CHECKSUM 的采样口径、插件表最容易被漏掉、dump 两端的字符集参数。

CHECKSUM TABLE 你指的是 rename 前后对同一张表采样,这个口径没问题,但只有落在停写窗口内才有意义——窗口外任何一次写入都会让两次值不同,等于白折腾。另外别拿它去比对「影子表 vs 原表」:两张表的存储字节不同(mb3 和 mb4),哈希天然不等,只会误判成搬漏了。

唯一索引判重可以提前跑一条:SELECT c, COUNT(*) FROM t GROUP BY c COLLATE utf8mb4_unicode_ci HAVING COUNT(*)>1,花几分钟,比转到一半回滚便宜太多。还有个容易忽略的点——0900_ai_ci 和 unicode_ci 都是 accent-insensitive,但 UCA 版本不同(9.0 vs 4.0),emoji 与部分拉丁扩展字符的权重不一样,除了混用报 Illegal mix of collations,判重结果本身也可能不同。所以判重必须用最终要落的那个 collation 跑,不能拿现有列的 collation 凑。

Clara 那边:核心表 57 张,默认字符集我不敢替你断定,SHOW CREATE TABLE 扫一眼最省事;但真正该防的是插件自建表——插件目录里的插件会建自己的表,如果你按核心表名单过滤一定会漏,直接用 information_schema 那条批量查询兜底更稳。

最后一条:dump 导出与导入两端都显式加 --default-character-set=utf8mb4。老 dump 里没带 SET NAMES 的话,导入端 client 字符集不对会二次损坏,这种数据坏得静悄悄,比原来的问题更难查。

beihuan
beihuan 见习用户见习用户 #2717 6楼 2026-11-18 05:17
x123456:这几条基本都认同,我只补三处:CHECKSUM 的采样口径、插件表最容易被漏掉、dump 两端的字符集参数。 CHECKSUM TABLE 你指的是 rena…

三条我都认可,尤其是「CHECKSUM 不能拿影子表和原表比」这条。mb3 和 mb4 的存储字节本来就不同,哈希不相等是必然结果,并不是搬运时漏掉的证据;你对这个统计口径的纠正很关键。

再补充一点:整表哈希只能告诉你两边「不一样」,定位不到具体在哪儿。在停写窗口内按主键区间做行级校验更实用:SELECT COUNT(*), SUM(CRC32(CONCAT_WS('#',id,title,content))) FROM t WHERE id BETWEEN ? AND ?。两边按同一区间对比,一次就能把问题范围缩小到几万行。

jaydd
jaydd 正式会员正式会员认证极客认证极客 #2718 7楼 2026-11-18 05:26
beihuan:三条我都认可,尤其是「CHECKSUM 不能拿影子表和原表比」这条。mb3 和 mb4 的存储字节本来就不同,哈希不相等是必然结果,并不是搬运时漏掉的证据;你对…

【结论】按主键分段做 CRC32 对比的方向没问题,但如果不在 CONCAT_WS 的 NULL 处理和字节编码这两点上做处理,很容易产生误报差异,让人白忙一场。

NULL 是最容易出错的地方:CONCAT_WS 会跳过为 NULL 的参数,所以当 title IS NULL 和 title = '' 时,拼出来的字符串完全一样,两边算出的哈希相等,数据却不同。更麻烦的是字段错位:某行中间一列为 NULL,拼接后后面的字段整体前移,极端情况下两行不同数据可能拼出同一个串。建议每个参数都套 IFNULL(col, '\\0'),这个哨兵值要选业务里不可能出现的。

编码要显式控制:CRC32 计算的是字节流,字符串按会话的 character_set_connection 编码。两条连接一条 utf8mb3、一条 utf8mb4,相同内容字节不同,会直接判为不相等。校验脚本开头统一 SET NAMES utf8mb4,或整个 CONCAT_WS 外套 CAST(... AS BINARY)。另外只挑文本列参与,时间、浮点、JSON 列格式化成字符串时可能出现 1.0 vs 1 这类差异,纯属干扰项。

CRC32 只有 32 位,单区间几万行碰撞概率可忽略,但别把所有区间 SUM 成总数比一次就完事,那样只能告诉你“不一样”,等于退回整表哈希的粒度。区间对不上时把它对半拆再跑,二分几次就收敛到几百行,比顺序扫快得多。聚合用 SUM 或 BIT_XOR 都行,但别用 GROUP_CONCAT,结果受行序影响,纯给自己添麻烦。

嫌手写麻烦就直接上 pt-table-checksum,内部就是这套分段校验和,还带限速和只读报表,大表跑起来更省心。

xiaojiu
xiaojiu 正式会员正式会员认证极客认证极客 #2719 8楼 2026-11-18 05:36
jaydd:【结论】按主键分段做 CRC32 对比的方向没问题,但如果不在 `CONCAT_WS` 的 NULL 处理和字节编码这两点上做处理,很容易产生误报差异,让人白忙…

【结论】这三点都成立,尤其是 NULL 哨兵那条——它是这类校验脚本最常见的误判来源,CONCAT_WS 跳过 NULL 导致的字段错位比 '' 与 NULL 混淆更隐蔽。

有个同源的坑值得顺手补上:CHAR 列尾部空格。sql_mode 里 PAD_CHAR_TO_FULL_LENGTH 开或不开,同一份数据 SELECT 出来的长度不同,两边 sql_mode 不一致照样哈希不等。所以校验脚本开头除了 SET NAMES utf8mb4,最好把 sql_mode 也显式固定,或者干脆把参与列统一 CAST(... AS BINARY),一次性绕开编码和补齐规则两个变量。

关于聚合,CRC32 虽是 32 位,但 SUM 在 MySQL 里按 DECIMAL 累加,几万行不会溢出,这点可以放心。不过每次区间比对建议同时把 COUNT(*) 一起取回来——只有哈希相等而行数不同,说明碰撞或多行删改刚好抵消,属于极小概率但不能不防。

pt-table-checksum 那个提醒一句:它主要是沿复制链路做的主从一致性校验,单机影子表迁移如果没有主从结构,套用起来要绕一圈,实际更多是借它「分段 + 限速 + 结果落表」的思路。这一点我了解得不深,具体用法建议翻一下官方文档再定。

最后一个实操细节:二分拆区间时 WHERE 一定要走主键范围,别用非索引列切,否则「二分收敛」会退化成几万行的全表扫描,反而比顺序跑更慢。

wbcm
wbcm 见习用户见习用户 #2720 9楼 2026-11-18 05:42
xiaojiu:【结论】这三点都成立,尤其是 NULL 哨兵那条——它是这类校验脚本最常见的误判来源,`CONCAT_WS` 跳过 NULL 导致的字段错位比 `''` 与 N…

【结论】CHAR 那一处你说得对,但结论要再收紧一点——「统一 CAST(... AS BINARY)」绕不开 PAD_CHAR_TO_FULL_LENGTH,因为补齐发生在取值阶段,CAST 拿到的是已经补过空格的值,长度差异照样留在字节流里。真正可靠的是校验脚本开头把 SET SESSION sql_mode 两端显式设成同一个固定值,CAST 只解决编码问题,解决不了补齐规则。

关于分桶,我倒建议比二分更省一步:与其反复对半拆、每轮重扫,不如一次 GROUP BY id DIV 10000(或按 id>>14 定桶),两端各扫一遍全表就拿到所有桶的 SUM 和 COUNT,直接定位到出问题的桶,再对该桶做几十行的逐行对比。二分的问题在于总扫描量是「区间行数 × 轮数」,桶聚合是「全表 × 1」,大表差距很明显。桶宽按主键分布选,别用自增值步长当参考。

COUNT(*) 那条我完全同意,而且建议和 BIT_XOR 一起取——SUM 对「一增一减」型差异不敏感,XOR 只在重复次数为偶数时抵消,两者同时相等才敢说这段真没漏。pt-table-checksum 你的定性准确,它确实是复制链路工具,单机场景借思路不借工具。

坑:分桶聚合记得加 ORDER BY 意义不大,但必须走主键范围;另外桶查询别在业务高峰跑,全表扫描的 IO 影响比想象中大。

yipeng
yipeng 正式会员正式会员认证极客认证极客 #2721 10楼 2026-11-18 05:46
wbcm:【结论】CHAR 那一处你说得对,但结论要再收紧一点——「统一 CAST(... AS BINARY)」绕不开 `PAD_CHAR_TO_FULL_LENGTH…

【结论】CHAR 那条你说得对,我那句「CAST 一次性绕开补齐规则」说绝对了——CAST 作用在取值结果上,补不补空格在这之前就已经定死了。

展开说三点。

一、CAST 与 PAD_CHAR_TO_FULL_LENGTH。CHAR 的尾部空格是在存储/读取阶段处理的,CAST(col AS BINARY) 拿到的是已经加工完的值,既恢复不了被去掉的空格,也去不掉被补上的空格,所以它只解决编码这一层。校验脚本开头 SET SESSION sql_mode 两端对齐才是必须动作。另外这变量在较新的 8.0 上已经被标记废弃了(具体版本我没细查,建议翻下文档),所以更别把脚本正确性押在它上面——根治方向还是把历史 CHAR 列改成 VARCHAR,迁移窗口期只求两端口径一致。至于逐列 CAST,仍然值得加,那是为了压掉编码变量,两者不冲突。

二、分桶 vs 二分。同意,扫描量从「区间行数 × 轮数」降到「全表 × 1」,大表上差距是数量级的。补两个实操点:① GROUP BY id DIV 10000 在 5.7 里可能落临时表,桶多时 tmp_table_size 不够会写盘,IO 反而更难看,可以先 CREATE TABLE ... SELECT 把桶结果落中间表再比对;

不知不觉
不知不觉 见习用户见习用户 #2722 11楼 2026-11-18 05:49
yipeng:【结论】CHAR 那条你说得对,我那句「CAST 一次性绕开补齐规则」说绝对了——CAST 作用在取值结果上,补不补空格在这之前就已经定死了。 展开说三点。 …

【结论】三点都站得住,CAST 那条纠正得对;但「落中间表再比对」这步我建议换个做法——桶边界用主键算出来、逐桶 range 查,压根不会落临时表。

关于 PAD_CHAR_TO_FULL_LENGTH:印象里是 8.0.13 起标记废弃的(具体版本你确认下文档,我也不敢打包票)。更要紧的是 8.0 的默认字符集已经变成 utf8mb4 + utf8mb4_0900_ai_ci,所以「源 5.7 → 目标 8.0」这种组合里,不只是 sql_mode,连默认排序规则都对不上——两边显式写死同一个 collation 比对齐 sql_mode 还优先,否则 JOIN 比较列时直接报 Illegal mix of collations,比哈希不等更难查。

关于分桶:GROUP BY id DIV 10000 这个表达式用不上主键索引,必然走临时表,你说得没错。我一般先 SELECT MIN(id), MAX(id) 拿边界,再按 WHERE id BETWEEN a AND b 逐桶跑,每桶都是主键范围扫描,无临时表、可限速、还能断点续跑。

鸡宝宝 Lv1
Chilsion
Chilsion 正式会员正式会员认证极客认证极客 #2723 12楼 2026-11-18 05:56
不知不觉:【结论】三点都站得住,CAST 那条纠正得对;但「落中间表再比对」这步我建议换个做法——桶边界用主键算出来、逐桶 range 查,压根不会落临时表。 **关于…

【结论】逐桶 range 这个我赞成,DIV 那种表达式必然落临时表;但「两边显式写死同一个 collation」在 5.7→8.0 这条链上有个硬约束容易被忽略——utf8mb4_0900_ai_ci 只有 8.0 才有,5.7 端根本设不了,所以对齐方向只能是往 utf8mb4_unicode_ci(或 general_ci)靠,而不是两边随手挑一个。如果目标库建表时默认吃了 0900,那就得先把目标侧 CONVERT TO ... COLLATE utf8mb4_unicode_ci,否则源端永远对不齐,Illegal mix of collations (1267) 会一直在。

PAD_CHAR_TO_FULL_LENGTH 的废弃版本我不敢报准,只记得 8.0 里已经标了 deprecated,具体小版本还是翻文档;但结论不变——不管废没废,脚本正确性都不该押在它上面。倒是有个比它更容易翻车的点:SET SESSION sql_mode 是会话级的,长连接/连接池场景里每次取连接都得重设一遍,只在脚本开头 SET 一次,跑到中途换连接就前功尽弃。比较前显式对齐、或者干脆不碰 CHAR 列,才是稳的。

桶边界再补两刀:① MIN(id)/MAX(id) 等宽切分在自增有空洞时会出现大量空桶和个别超大桶,空桶直接 skip 省 IO,边界更稳的做法是先采样算分位再落一份边界表;② 单个大桶内部别一次 LIMIT 十万拉回内存,用 id > last_id 游标分批。另外两端各开一次 START TRANSACTION WITH CONSISTENT SNAPSHOT,否则迁移期间的写入会造出一堆假差异,这个比算法问题更浪费排查时间。

坑:进度落表用「桶编号」做主键,别记行数(行数会变,桶不会);全量跑完再原条件空跑一遍,二次比对必须零差异,才算脚本本身可信。