Выбор кодировки для MySQL

#mysql #кодировка

Начал свой проект, хочется сразу использовать лучшие наработки. 

Понял, что одна из utf8_general_ci или utf8_unicode_ci.
Склоняюсь к utf8_unicode_ci.

Но наткнулся на информацию, что это немного уже устарело и стоит использовать utf8mb4_general_ci
и utf8mb4_unicode_ci.

Посоветуйте какую кодировку выбрать для БД.
    

Ответы

Ответ 1

Вольный перевод вопроса What's the difference between utf8_general_ci and utf8_unicode_ci.

Обе эти кодировки (utf8_general_ci и utf8_unicode_ci) работают с символами UTF-8,
разница в сортировке строк и их сравнении.


  Заметьте: начиная с MySQL версии 5.5.3 предпочтительнее использовать
  utf8mb4, а не utf8. Они обе являются кодировками UTF-8, но более
  старая uft8 имеет специфические для MySQL ограничения символов UTF-8
  выше 0xFFFD.


Сравнение по отдельным параметрам.

Точность


utf8mb4_unicode_ci основана на стандарте Unicode по сортировке и
сравнению строк, который более точно сортирует строки в широком
диапазоне языков/алфавитов.
utf8mb4_general_ci не реализует все правила сортировки Unicode, что
зачастую влечёт нежелательный результат в некоторых ситуациях для
определённых языков/символов.


Производительность


utf8mb4_general_ci быстрее в сравнении и сортировке, потому что она
содержит большое число оптимизаций.

На современных серверах, это приращение скорости будет всегда, но незначительно.
Оптимизации были задуманы во время, когда мощности серверов были значительно меньше
сегодняшних.
utf8mb4_unicode_ci, которое использует правила Unicode для сортировки
и сравнения, по-честному использует более сложные алгоритмы для
точной сортировки для широкого числа языков и при использовании
спецсимволов. Эти правила принимают во внимание специфические
соглашения для языка, не всегда сортировки идёт в соответствии с
"алфавитным" порядком.


В принципе, для группы т.н. "европейских" языков нет особой разницы между строгой
сортировкой по Unicode и упрощенной сортировкой utf8mb4_general_ci, но несколько различий:

Например, Unicode сортирует "ß" так же как и "ss", и "Œ" как "OE" так же как это
делают люди, в то время как utf8mb4_general_ci сортирует их как отдельные символы (предположительно
как "s" и "e" соответственно).

Некоторые символы Unicode определены как незначимые, что означает, что они не должны
влиять на порядок сортировки и сравнение должно переходить к следующему символу. И
utf8mb4_unicode_ci обрабатывает эти символы корректно.

Для группы неевропейских языков, таких как азиатские языки или языки с другим алфавитом
существует гораздо больше различий между сортировкой Unicode и упрощённой сортировкой
в utf8mb4_general_ci. То, насколько подходит utf8mb4_general_ci будет зависеть от конкретного
языка. Для некоторых языков разница может быть сильно недостаточной.

Что же использовать?

Практически нет смысла предпочитать utf8mb4_general_ci по соображениям производительности,
потому что на современных процессорах разница не будет играть роль "бутылочного горлышка".

Какая-то разница в производительности может быть в каких чрезмерно специализированных
ситуациях и если это ваш случай вы должны знать об этом.

Раньше некоторые специалисты рекомендовали использовать utf8mb4_general_ci кроме
тех случаев, когда необходима точная сортировка и это важнее проседания производительности.
Сегодня больше обращают внимание на точную поддержку интернационализации, чем на незначительное
проседание производительности.

И ещё я добавлю, что даже если ваше приложение должно поддерживать только английский
язык  - в нём может оказаться ситуация, когда в приложении будут вводиться имена людей
и часто вводимые имена должны содержать символы, которые встречаются в других языках,
поэтому так важно использовать корректные правила сортировки. Использование Unicode
во всех местах, где это возможно, поможет вам разработать более качественные приложения.