MySQL 中的 Character Set 与 Collation

背景

MySQL 应该算是目前最流行的数据库之一,经常建库建表的同学应该对 Character Set 和 Collation 这两个词不陌生。

虽然一直有接触,但我还是挺云里雾里的。直到前些天特地做了功课,才敢说有个比较清晰的了解,所以就有了这篇文章。

Character Set 与 Collation

简单地说,Character Set 是字符集,而 Collation 是比对方法,是两个不同维度的概念。

我们经常看到的 utf8、gbk、ascii 都是相互独立的字符集,即对 Unicode 的一套编码。看到一个比较有趣的解释,摘抄过来。

打个比方,你眼前有一个苹果,苹果在英文里称之为「Apple」,在中文里称之为「苹果」。苹果这个实体的概念就是 Unicode,而 utf8 之类的可以认为是不同语言对苹果的不同称谓,本质上都是描述苹果这个实体。

每套字符集有一系列与之对应的比对方法,比如 utf8 字符集对应 utf8_general_ci、utf8_unicode_ci 等比对方法,不同的比对方法下得到的搜索结果、排序结果不尽相同。

utf8 与 utf8mb4

抛开数据库,标准的 UTF-8 字符集编码是可以用 1 ~ 4 个字节去编码 21 位字符,这几乎包含了世界上所有能看见的语言。

然而 MySQL 中实现的 utf8 最长只使用了 3 个字节,也就是只支持到了 Unicode 中的 基本多文本平面。任何不在基本多文本平面的 Unicode 字符,都无法使用 MySQL 的 utf8 字符集存储。包括 Emoji 表情、一些不常用的汉字,以及任何新增的 Unicode 字符等等。

为了解决这个问题,MySQL 在 5.5.3 之后增加了 utf8mb4 字符编码,mb4 即 most bytes 4。简单说 utf8mb4 是 utf8 的超集并完全兼容 utf8,能够用四个字节存储更多的字符。官方手册 中也有提到 utf8mb4 的解释,我摘抄部分过来。

The utfmb4 character set has these characteristics:

  • Supports BMP and supplementary characters.
  • Requires a maximum of four bytes per multibyte character.

utf8mb4 contrasts with the utf8mb3 character set, which supports only BMP characters and uses a maximum of three bytes per character:

  • For a BMP character, utf8mb4 and utf8mb3 have identical storage characteristics: same code values, same encoding, same length.
  • For a supplementary character, utf8mb4 requires four bytes to store it, whereas utf8mb3 cannot store the character at all. When converting utf8mb3 columns to utf8mb4, you need not worry about converting supplementary characters because there will be none.

utf8mb4_general_ci 与 utf8mb4_unicode_ci

utf8mb4 对应的比对方法中,常用的有 utf8mb4_general_ciutf8mb4_unicode_ci。关于这两个的区别,可以看下 StackOverflow 上有一个相关的热门讨论:What’s the difference between utf8_general_ci and utf8_unicode_ci,这边引用一下 Sean’s Notes 的翻译:

主要从排序准确性和性能两方面看:

  • 准确性

  • utf8mb4_unicode_ci 基于标准的 Unicode 来排序和比较,能够在各种语言之间精确排序。

  • utf8mb4_general_ci 没有实现 Unicode 排序规则,在遇到某些特殊语言或字符时,排序结果可能不是所期望的。

  • 但是在绝大多数情况下,这种特殊字符的顺序可能不需要那么精确。比如 *_unicode_ciߌ 当成 ssOE 来看,而 *_general_ci 会把它们当成 se,再如 ÀÁÅåāă 各自都与 A 相等。

  • 性能

  • utf8mb4_general_ci 在比较和排序的时候更快。

  • utf8mb4_unicode_ci 在特殊情况下,Unicode 排序规则为了能够处理特殊字符的情况,实现了略微复杂的排序算法。

  • 但是在绝大多数情况下,不会发生此类复杂比较。*_general_ci 理论上比 *_unicode_ci 可能快些,但相比现在的 CPU 来说,它远远不足以成为考虑性能的因素,索引涉及、SQL 设计才是。 我个人推荐是 utf8mb4_unicode_ci,将来 8.0 里也极有可能使用变为默认的规则。相比选择哪一种 collation,使用者应该更关心字符集与排序规则在数据库里的统一性。

小结

出于兼容性的考虑,对存储空间和性能没有特殊要求的场合下,建议使用 utf8mb4 字符集和 utf8mb4_unicode_ci 对比方法。

原文:https://zhuanlan.zhihu.com/p/64570524