MYSQL中的COLLATE是什么?
本文由horstxu发表
在mysql中执行show create table <tablename>
指令,可以看到一张表的建表语句,example如下:
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=utf8mb4 collate=utf8_unicode_ci;
大部分字段我们都能看懂,但是今天要讨论的是collate关键字。这个值后面对应的utf8_unicode_ci
是什么意思呢?面试的时候用这个题目考一考dba,应该可以难倒一大部分人。
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:
phpmyadmin截图
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utf8
和utf8mb4
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。
mysql中和utf8mb4相关的所有collate
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_ci
、utf8mb4_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。
而utf8mb4_unicode_ci
和utf8mb4_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
(),并且默认的collate也改为了utf8mb4_0900_ai_ci
。utf8mb4_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。,
collate设置级别及其优先级
设置collate
可以在示例级别、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charset
和collate
,则库级别默认的charset
和collate
使用实例级别的设置。在mysql8.0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mysql8.0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collate
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。
此文已由作者授权腾讯云+社区发布,更多原文请点击
搜索关注公众号「云加社区」,第一时间获取技术干货,关注后回复1024 送你一份技术课程大礼包!