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?
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。select * 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
(参考链接),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。