浅谈 MySQL 中的校对规则 (collation)

在我们开发过程中，最常见到的三种校对规则 (collation) 就是 utf8mb4_general_ci、utf8mb4_unicode_ci，和 utf8mb4_bin。那么这三种排序规则之间有什么区别，在开发过程中又该怎么选择？这里就简单说一下我所了解到的知识，和我的理解。

校对规则不会导致乱码

之前听到一名同事说，“这个东西 (collation) 你再研究下，搞不好中文会乱码的”。显然这位同事没搞清楚字符编码 (encoding) 和校对规则 (collation) 的区别。

字符集是一套符号和编码，它实实在在决定了每个字符应当以怎样的规则被编码为二进制数据，以及在取出一系列二进制数据之后，又应当以怎样的规则还原为字符。比如我们喜闻乐见的 “锟斤拷” 就是因为 GBK 编码与 Unicode 编码之间转换出现问题导致的乱码。

而校对规则本身并不会参与字符的编码，所以它当然不会产生文字乱码的问题。当然，使用了不合适的校对规则，也会对数据产生一定的影响，具体有什么影响后面我们慢慢说。

校对规则是什么

校对规则是一套规范，它指明了数据在数据库中应当以哪种方式被比较和排序，包括排序的规则、是否大小写敏感，以及是否对重音标记敏感。

在 MySQL 中，校对规则通常按照字符集_语言或地区_字符敏感特性的规则来命名。

这三种校对规则有什么区别

首先，根据它们的后缀_ci 可以知道，这三种校对规则都是对大小写不敏感 (Case Insensitive) 的。

utf8mb4_general_ci 是对大小写和重音字符都不敏感的。比如，拉丁字符 ÀÁÅåāă是等同于字符 a 的。

utf8mb4_unicode_ci 是大小写不敏感，但是对重音字符敏感的。即，拉丁字符 Å 和 å 是等同的，但是和 a 是不同的。

utf8mb4_bin 则是直接比较每个字符的 Unicode 码点 (code point)。

从效率上来讲，utf8mb4_bin > utf8mb4_general_ci > utf8mb4_unicode_ci。

校对规则会产生什么影响

不同的排序规则，不仅对大小写和重音字符的处理不同，对于一些语言中特有的字符的处理也是不同的。

比如一个斯洛伐克人，他向数据库中插入了两条数据，其主键分别是 poistný 和 poistny。但是因为他用了重音不敏感的 utf8mb4_general_ci，导致数据库判定这两个字符串是一样的，而抛出了重复主键的错误。[^3]

另一个例子是，对于德语中的 ß，如果使用 utf8mb4_general_ci，那么它等同于 s，而如果使用 utf8mb4_unicode_ci，它则等同于 ss。

所以，如果数据涉及的语言中包含有特殊的字符或者重音符号，而其比对结果的正确性又很重要时，那么就应当选择 unicode_ci 系列的校对规则，否则，general_ci 就够用了。当然，在必要的情况下，也可以选择这个语言对应的规则，比如 utf8_swedish_ci。

对于中文来说，我在网上并没有找到相关的文章，同时根据自己的开发经验，general_ci 和 unicode_ci 对于中文都没有什么明显的问题，所以两个都可以用。

[^1]: Re: utf8_unicode_ci vs utf8_general_ci - MySQL Forums
[^2]: MySQL collation charts
[^3]: 斯洛伐克人的例子