解决一个Mysql的utf8编码导致的问题

1、问题背景

在一个基于NLP(自然语言处理)算法分析用户诉求的系统中，使用了 Mysql作为数据库储存来自其他各系统的用户反馈，数据库编码统一设置为utf8。在运行过程中，偶尔出现数据库异常，主要表现为：Incorrect string value: ‘\xF0\x9F\x8D\x83…’ for column ‘xxx’。

2、分析问题

'\xF0\x9F\x8D\x83’的二进制以11110开头，是一个4字节的utf8字符，通过查阅相关资料，了解到Mysql的utf8编码只能支持到3字节，当存入4字节字符时，便会出现以上异常。正常情况下，英文或汉字的字符都在3字节以内编码，4字节编码的字符一般是表情符号。

3、解决问题

3.1、方式1 - 修改编码方式

utf8mb4编码是utf8编码的超集，兼容utf8，且能存储4字节的表情字符。将Mysql数据库编码格式修改为utf8mb4，JDBC连接时声明编码为utf8mb4，可以解决以上问题。

3.2、方式2 - 移除4字节字符

在我们这个系统中，由于采用NLP算法，仅基于文本分析语义，表情符号不影响最终结果，可以忽略，故可以在入库前移除4字节字符。

utf8是不定长的编码格式，1-4字节都有各自的特定格式。
1字节格式：0xxxxxxx
2字节格式：110xxxxx, 10xxxxxx
3字节格式：1110xxxx, 10xxxxxx, 10xxxxxx
4字节格式：11110xxx, 10xxxxxx, 10xxxxxx, 10xxxxxx

通过以上格式可知，只有4字节拥有11110xxx字节，所以只需要检测字节流中是否存在11110xxx字节，如果有则将该字节以及之后的3个字节删除。代码如下：

public static String remove4ByteChar(String s) {
    if (s == null || s.length() == 0) {
        return "";
    }
    byte[] bytes = s.getBytes();
    List<Byte> byteList = new ArrayList<>();
    for (int i = 0; i < bytes.length; i++) {
        // UTF-8的4字节编码以11110开头
        if ((bytes[i] & 0xF8) == 0xF0) {
            i += 3;
        } else {
            byteList.add(bytes[i]);
        }
    }
    bytes = new byte[byteList.size()];
    for (int i = 0; i < bytes.length; i++) {
        bytes[i] = byteList.get(i);
    }
    return new String(bytes);
}