MySQL:COLLATE是什么?

郎家岭伯爵 2023年02月14日 252次浏览

背景

在建表语句中,通常会设置 COLLATE 关键字。那么这个关键字的作用是什么呢?

CREATE TABLE `table1` (
    `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT,
    `field1` text COLLATE utf8_unicode_ci NOT NULL COMMENT '字段1',
    `field2` varchar(128) COLLATE utf8_unicode_ci NOT NULL DEFAULT '' COMMENT '字段2',
    PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_unicode_ci;

理论

COLLATE是用来做什么的?

使用 phpmyadmin 的开发可能会非常眼熟,因为其中的中文表头已经给出了答案:

所谓 utf8_unicode_ci,其实是用来排序的规则。对于 MySQL 中那些字符类型的列,如 VARCHAR,CHAR,TEXT 类型的列,都需要有一个 COLLATE 类型来告知 MySQL 如何对该列进行排序和比较。简而言之,COLLATE 会影响到ORDER BY 语句的顺序,会影响到 WHERE 条件中大于小于号筛选出来的结果,会影响 DISTINCT、GROUP BY、HAVING 语句的查询结果。另外,MySQL 建索引的时候,如果索引列是字符类型,也会影响索引创建,只不过这种影响我们感知不到。总之,凡是涉及到字符类型比较或排序的地方,都会和 COLLATE 有关。

各种COLLATE的区别

COLLATE 通常是和数据编码(CHARSET)相关的,一般来说每种 CHARSET 都有多种它所支持的 COLLATE,并且每种 CHARSET 都指定一种 COLLATE 为默认值。例如 Latin1 编码的默认 COLLATE 为 latin1_swedish_ci,GBK 编码的默认 COLLATE 为 gbk_chinese_ci,utf8mb4 编码的默认值为utf8mb4_general_ci。

这里顺便讲个题外话,MySQL 中有 utf8utf8mb4 两种编码,在 MySQL 中请大家忘记 utf8,永远使用 utf8mb4。这是 MySQL 的一个遗留问题,MySQL 中的 utf8 最多只能支持 3bytes 长度的字符编码,对于一些需要占据 4bytes 的文字,MySQL 的 utf8 就不支持了,要使用 utf8mb4 才行。

很多 COLLATE 都带有 _ci 字样,这是 Case Insensitive 的缩写,即大小写无关,也就是说 “A” 和 “a” 在排序和比较的时候是一视同仁的。selection * from table1 where field1="a" 同样可以把 field1 为 “A” 的值选出来。与此同时,对于那些 _cs 后缀的 COLLATE,则是 Case Sensitive,即大小写敏感的。

在 MySQL 中使用 show collation 指令可以查看到 MySQL 所支持的所有 COLLATE。以 utf8mb4 为例,该编码所支持的所有 COLLATE 如下图所示:

show collation where charset like 'utf8mb4';

图中我们能看到很多国家的语言自己的排序规则。在国内比较常用的是utf8mb4_general_ci(默认)、utf8mb4_unicode_ciutf8mb4_bin 这三个。我们来探究一下这三个的区别:

首先 utf8mb4_bin 的比较方法其实就是直接将所有字符看作二进制串,然后从最高位往最低位比对。所以很显然它是区分大小写的。

utf8mb4_unicode_ciutf8mb4_general_ci 对于中文和英文来说,其实是没有任何区别的。对于我们开发的国内使用的系统来说,随便选哪个都行。只是对于某些西方国家的字母来说,utf8mb4_unicode_ci 会比 utf8mb4_general_ci 更符合他们的语言习惯一些,general 是 MySQL 一个比较老的标准了。例如,德语字母“ß”,在utf8mb4_unicode_ci 中是等价于 “ss” 两个字母的(这是符合德国人习惯的做法),而在 utf8mb4_general_ci 中,它却和字母 “s” 等价。不过,这两种编码的那些微小的区别,对于正常的开发来说,很难感知到。本身我们也很少直接用文字字段去排序,退一步说,即使这个字母排错了一两个,真的能给系统带来灾难性后果么?从网上找的各种帖子讨论来说,更多人推荐使用 utf8mb4_unicode_ci ,但是对于使用了默认值的系统,也并没有非常排斥,并不认为有什么大问题。结论:推荐使用 utf8mb4_unicode_ci ,对于已经用了 utf8mb4_general_ci 的系统,也没有必要花时间改造。

另外需要注意的一点是,从 MySQL 8.0 开始,MySQL 默认的 CHARSET 已经不再是 Latin1 了,改为了 utf8mb4(参考链接),并且默认的 COLLATE 也改为了 utf8mb4_0900_ai_ciutf8mb4_0900_ai_ci 大体上就是 unicode 的进一步细分,0900 指代 unicode 比较算法的编号( Unicode Collation Algorithm version),ai 表示 accent insensitive(发音无关),例如e, è, é, ê 和 ë是一视同仁的。相关参考链接1相关参考链接2

COLLATE设置级别及其优先级

设置 COLLATE 可以在实例级别、库级别、表级别、列级别、以及 SQL 指定。实例级别的 COLLATE 设置就是mysql配置文件或启动指令中的 collation_connection 系统变量。

库级别设置 COLLATE 的语句如下:

CREATE DATABASE <db_name> DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

如果库级别没有设置 CHARSE 和 COLLATE,则库级别默认的 CHARSET 和 COLLATE 使用实例级别的设置。在 MySQL 8.0 以下版本中,你如果什么都不修改,默认的 CHARSET 是 Latin1,默认的 COLLATE 是 latin1_swedish_ci。从 MySQL 8.0 开始,默认的 CHARSET 已经改为了 utf8mb4,默认的 COLLATE 改为了 utf8mb4_0900_ai_ci。

表级别的 COLLAT E设置,则是在 CREATE TABLE 的时候加上相关设置语句,例如:

CREATE TABLE (

……

) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;

如果表级别没有设置 CHARSET 和 COLLATE,则表级别会继承库级别的 CHARSET与COLLATE 。

列级别的设置,则在 CREATE TABLE 中声明列的时候指定,例如:

CREATE TABLE (

`field1` VARCHAR(64) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL DEFAULT '',

……

) ……

如果表级别没有设置 CHARSET 和 COLLATE,则表级别会继承库级别的 CHARSET 与 COLLATE。

列级别的设置,则在 CREATE TABLE 中声明列的时候指定,例如:

CREATE TABLE (

`field1` VARCHAR(64) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL DEFAULT '',

……

) ……

如果列级别没有设置 CHARSET 和 COLATE,则列级别会继承表级别的 CHARSET 与 COLLATE。

最后,你也可以在写 SQL 查询的时候显示声明 COLLATE 来覆盖任何库表列的 COLLATE 设置,不太常用,了解即可:

SELECT DISTINCT field1 COLLATE utf8mb4_general_ci FROM table1;

SELECT field1, field2 FROM table1 ORDER BY field1 COLLATE utf8mb4_unicode_ci;

如果全都显示设置了,那么优先级顺序是 SQL语句 > 列级别设置 > 表级别设置 > 库级别设置 > 实例级别 设置。也就是说列上所指定的 COLLATE 可以覆盖表上指定的 COLLATE,表上指定的 COLLATE 可以覆盖库级别的 COLLATE。如果没有指定,则继承下一级的设置。即列上面没有指定 COLLATE,则该列的 COLLATE 和表上设置的一样。

以上就是关于 MySQL 的 COLLATE 相关知识。不过,在系统设计中,我们还是要尽量避免让系统严重依赖中文字段的排序结果,在 MySQL 的查询中也应该尽量避免使用中文做查询条件

总结

COLLATE 在凡是涉及到字符类型比较或排序的地方,都会与其有关。在系统设计中,通常情况下 CHARSET 使用 uft8mb4COLLATE 使用 utf8mb4_unicode_ci 即可。

捐赠页面示例